Bollettino A.A. 2016/2017 in formato

BOLLETTINO - NOTIZIARIO
anno accademico 2016/2017
CORSI DI STUDIO IN
SCIENZE STATISTICHE
Errata corrige
La presente versione online del Bollettino è aggiornata al 25 ottobre 2016 e differisce rispetto alla
versione cartacea nelle sezioni qui di seguito elencate.
2.6
Prova finale
Importanti modifiche di Ateneo sulle tempistiche per la presentazione della domanda di laurea. Si
veda il sito di Ateneo per ulteriori dettagli.
Agli studenti dei Corsi di Studio in Scienze Statistiche
Agli studenti interessati a iscriversi a Scienze Statistiche
Cari studenti,
I Corsi di Studio in Scienze Statistiche, sia delle lauree triennali sia della laurea magistrale, hanno come
riferimento il Dipartimento di Scienze Statistiche e sono coordinati dalla Scuola di Scienze, che coordina
anche i corsi di studio aventi come riferimento i Dipartimenti di Biologia, Fisica e Astronomia "G. Galilei",
Geoscienze, Matematica e Scienze Chimiche. I Corsi di Studio in Scienze Statistiche sono attuati con la
collaborazione degli altri Dipartimenti che tradizionalmente ne hanno supportato la didattica (in particolare,
Ingegneria dell’Informazione, Matematica, Scienze Economiche e Aziendali "M. Fanno").
La revisione e razionalizzazione dell’offerta didattica, iniziata nell’A.A. 2014/15 dal Dipartimento di
Scienze Statistiche, trova quest’anno piena attuazione nei due corsi di laurea triennale in Statistica per
l’Economia e l’Impresa (SEI) e Statistica per le Tecnologie e le Scienze (STS) e nel corso di laurea
magistrale in Scienze Statistiche.
Forti della positiva esperienza degli anni passati, nell’A.A. 2016/17 non vi sono cambiamenti sostanziali
nell’organizzazione della didattica e nella vita degli studenti di Scienze Statistiche dell’Università di
Padova. Il campus di Santa Caterina conferma il suo obiettivo di formare esperti nelle discipline statistiche
con solido apporto interdisciplinare, con competenze ampiamente richieste nel Nord Est, in Italia, ma anche
in ambito internazionale.
Il Bollettino è un importante strumento organizzativo per la gestione dei Corsi di Studio. Questa versione fa
riferimento a settembre 2016, ma il Bollettino viene continuamente aggiornato sul sito web del
Dipartimento di Scienze Statistiche. La prima parte del Bollettino contiene informazioni di carattere
generale relative, ad esempio, alle strutture, ai servizi e alle persone che operano per i Corsi di Studio o ai
servizi erogati dall’Ateneo. La seconda parte è dedicata alla offerta formativa, articolata – come detto - in
due lauree triennali e una laurea magistrale. In questa sezione si trovano notizie essenziali per lo studente:
la presentazione dei Corsi di Studio, il calendario, gli insegnamenti per corso di laurea, i programmi degli
insegnamenti eccetera. Alcune informazioni sono relative anche ai corsi del vecchio ordinamento 2009, ma
gli studenti già iscritti devono fare riferimento alle regole fissate nel Bollettino del loro A.A. di iscrizione.
Si segnalano due strumenti di accoglienza per le matricole triennali: il test d’ingresso (pagg. 22-23) e il
precorso di matematica (pag. 29). Le modalità d’accesso alla laurea magistrale in Scienze Statistiche (pagg.
24–27) lo caratterizzano come un corso aperto anche a studenti non provenienti da una laurea triennale in
Statistica, in grado di offrire a tutti i frequentanti un'opportunità interessante per conseguire una laurea
magistrale ricca di contenuti stimolanti e con ottime possibilità di inserimento lavorativo e di avviamento
alla ricerca.
Un’attenta lettura del Bollettino dovrebbe offrire una visione dei Corsi di Studio in Scienze Statistiche utile
a operare in un modo più consapevole le proprie scelte e a limitare il ricorso, oneroso in termini di tempo
per tutti, alle Segreterie. Nella ricerca di informazioni ricordatevi inoltre di consultare sempre anche il sito
web (http://www.stat.unipd.it), che rappresenta la nostra “centrale informativa”: se già non lo fate,
abituatevi a consultarlo sistematicamente.
Buon anno accademico.
Il Direttore del Dipartimento di Scienze Statistiche
Tommaso Di Fonzo
Ringraziamenti: l'edizione 2016/17 del Bollettino – Notiziario è stata curata da Adriano Paggiaro, Ilaria
Bernardi e Giovanna Menardi. A loro, al personale della Segreteria e alla studentessa part-time
Mariarosaria Cerciello rivolgo un sentito ringraziamento per l’impegno profuso.
Università di Padova, settembre 2016
1
Indice Generale
1. Muoversi a Scienze Statistiche: le strutture, i servizi, le persone ............................... 5
1.1
Strutture........................................................................................................................ 5
1.1.1
1.1.2
1.1.3
1.1.4
1.2
Servizi per gli studenti ................................................................................................. 8
1.2.1
1.2.2
1.2.3
1.2.4
1.2.5
1.2.6
1.3
Ufficio Informativo Didattico ..........................................................................................6
Segreteria Didattica ..........................................................................................................6
Scuola di Scienze .............................................................................................................7
Dipartimenti .....................................................................................................................7
Servizi online ...................................................................................................................8
Biblioteca di Scienze Statistiche "Bernardo Colombo" ...................................................9
Aule del complesso di Santa Caterina ............................................................................10
Aule e Servizi Informatici per la Didattica (ASID)........................................................10
Stage & tirocini ..............................................................................................................12
Altri servizi di Ateneo e del Dipartimento di Scienze Statistiche ..................................14
Organi e Persone ........................................................................................................ 17
1.3.1
1.3.2
1.3.3
Consigli di Corso di Studio e loro Presidenti .................................................................17
Rappresentanti degli studenti .........................................................................................17
I docenti .........................................................................................................................17
2. Quando e come: cose da fare e da sapere ................................................................. 21
2.1
Prove di ammissione e immatricolazioni ................................................................... 22
2.1.1
2.1.2
2.1.3
2.1.4
2.1.5
2.2
2.3
Precorso di Matematica .............................................................................................. 29
Piani di studio e trasferimenti .................................................................................... 30
2.3.1
2.3.2
2.4
Il bando Erasmus+ ........................................................................................................33
Riconoscimento piani di studio Erasmus+ .....................................................................34
Calendario dei Corsi di Studio in Scienze Statistiche ................................................ 35
2.5.1
2.5.2
2.5.3
2.6
Piani di studio.................................................................................................................30
Passaggi, trasferimenti, seconde lauree ..........................................................................31
Studiare all’estero: programmi di mobilità e formazione internazionale ................... 32
2.4.1
2.4.2
2.5
Lauree triennali: requisiti e prova di ammissione ..........................................................22
Lauree triennali: immatricolazioni .................................................................................23
Laurea magistrale: requisiti e prova di ammissione .......................................................24
Laurea magistrale: immatricolazioni ..............................................................................26
Altre informazioni ..........................................................................................................27
Calendario delle lezioni e degli esami per l’A.A. 2016/17 ............................................35
Obbligo di frequenza ......................................................................................................36
Altre attività formative ..................................................................................................36
Prova finale ................................................................................................................ 37
2
3. Studiare a Scienze Statistiche: l’offerta formativa ................................................... 41
3.1
3.2
3.3
3.4
3.5
Introduzione ............................................................................................................... 41
L'offerta formativa di primo livello: lauree (triennali) ............................................... 41
L'offerta formativa di secondo livello: laurea magistrale........................................... 51
Coorti iscritte fino all'A.A. 2013/14 (ordinamento 2009) .......................................... 61
L'offerta formativa di terzo livello: il Dottorato in Scienze Statistiche ..................... 64
4. Assetto della didattica: insegnamenti attivati nell'A.A. 2016/17 .............................. 65
4.1
4.2
Assetto della didattica ................................................................................................ 65
Programmi degli insegnamenti .................................................................................. 68
3
4
1. Muoversi a Scienze Statistiche: le strutture, i servizi, le persone
1.1
Strutture
I Corsi di Studio in Scienze Statistiche si svolgono nell'ex-convento di Santa Caterina da
Alessandria, un vero e proprio campus nel centro di Padova (vedi mappa in Figura 1.1). Il campus
è raggiungibile a piedi e in pochi minuti da tutto il centro della città ("Piazze", Palazzo del Bo',
Caffè Pedrocchi, Giardini dell'Arena e Cappella degli Scrovegni, Basilica del Santo, Prato della
Valle, Ospedale Civile, Policlinico Universitario,...). L'indirizzo è Via Cesare Battisti, 241/243.
Figura 1.1: Mappa della città con la posizione del campus.
Nei prossimi paragrafi sono riportati gli indirizzi ed i numeri telefonici delle strutture coinvolte nei
Corsi di Studio in Scienze Statistiche. Si trovano poi gli indirizzi delle aule e i recapiti dei docenti.
5
1.1.1 Ufficio Informativo Didattico
L'Ufficio Informativo Didattico (UID) si trova all’entrata del Complesso Santa Caterina in:
Via C. Battisti, 241
Tel. 049.827 4110
E-mail: [email protected]
Il personale dell’Ufficio Informativo Didattico è composto da: Luisa Aglio, Genny Calore e
Antonello Legnaro.
L’Ufficio Informativo Didattico cura le informazioni correnti sulla didattica (orario delle lezioni,
orario di ricevimento dei docenti, calendario degli esami, Bollettino-Notiziario, ecc.) ed è situato
all’ingresso del Complesso di Santa Caterina.
L'orario di apertura dell'Ufficio Informativo Didattico è il seguente:
- dal lunedì al venerdì:
8.00 - 18:00
1.1.2 Segreteria Didattica
La Segreteria Didattica dei Corsi di Studio in Scienze Statistiche si trova al primo piano del
Complesso Santa Caterina in:
Via C. Battisti, 241
Tel. 049.827 4117
Fax 049.827 4120
E-mail: [email protected]
Il personale della Segreteria Didattica di Scienze Statistiche è composto da:
Ilaria Bernardi
Delfina Di Monte
Nicola Facci
Mirko Moro
Silvia Sartorelli
Alessandra Fabbri Colabich
Segreteria Didattica
Segreteria Didattica
Segreteria Didattica
Servizi Informatici per la Didattica
Servizi Informatici per la Didattica
Ufficio Stage
Veronica Costa
Ufficio Erasmus
049.827 4116
049.827 4117
049.827 4195
049.827 4187
049.827 4149
049.827 4118
049.827 3072
049.827 4179
La Segreteria Didattica di Scienze Statistiche comunica con gli studenti principalmente attraverso
il sito web e le bacheche, affisse presso la sede di Santa Caterina. Si consiglia di leggere
attentamente gli avvisi e di rivolgersi alla Segreteria solo nel caso in cui si abbiano problemi non
risolvibili tramite tali avvisi.
La Segreteria Didattica è aperta al pubblico con il seguente orario:
dal lunedì al venerdì: 10.30-12.30
martedì: 14.30-16.30
Ogni variazione all’orario di apertura degli uffici sarà comunicata tramite il sito web
http://www.stat.unipd.it.
6
1.1.3 Scuola di Scienze
I Corsi di Studio in Scienze Statistiche afferiscono alla Scuola di Scienze, che coordina anche i
corsi di studio aventi come riferimento i Dipartimenti di Biologia, Fisica e Astronomia "G. Galilei",
Geoscienze, Matematica e Scienze Chimiche. Presidente del Consiglio della Scuola è il prof.
Mariano Beltramini.
I compiti della Scuola sono quelli definiti dall’art. 51 dello Statuto di Ateneo.
Scuola di Scienze
Via Jappelli, 1
Tel. 049.827 5770
Fax 049.827 5069
Web: http://www.scienze.unipd.it/
1.1.4 Dipartimenti
Vengono qui di seguito riportati gli indirizzi ed i numeri telefonici dei Dipartimenti del cui apporto
didattico i Corsi di Studio in Scienze Statistiche si avvalgono.
Dipartimento di Scienze Statistiche
Via C. Battisti, 241/243
Tel. 049.827 4168
Fax 049.827 4170
Web: http://www.stat.unipd.it/
Dipartimento di Biologia
Viale G. Colombo, 3 - Via U. Bassi, 58/B
Tel. 049.827 6178
Fax 049.807 2213
Web: http://www.biologia.unipd.it/
Dipartimento di Filosofia, Sociologia, Pedagogia e Psicologia Applicata
Piazza Capitaniato, 3
Tel. 049.827 4534
Fax 049.827 4719
Web: http://www.fisppa.unipd.it/
Dipartimento di Ingegneria dell'Informazione
Via Gradenigo, 6/B
Tel. 049.827 7600
Fax 049.827 7699
Web: http://www.dei.unipd.it/
Dipartimento di Ingegneria Industriale
Via Gradenigo, 6/A
Tel. 049.827 7500
Fax 049.827 7599
Web: http://www.dii.unipd.it/
7
Dipartimento di Matematica
Via Trieste, 63
Tel. 049.827 1200
Fax 049.827 1499
Web: http://www.math.unipd.it/
Dipartimento di Psicologia dello Sviluppo e della Socializzazione
Via Venezia, 8
Tel. 049.827 6500
Fax 049.827 6547
Web: http://www.dpss.unipd.it/
Dipartimento di Scienze Economiche e Aziendali “Marco Fanno”
Via del Santo, 22 e 33 – Via U. Bassi, 1
Tel. 049.827 4210
Fax 049.827 4211
Web: http://www.economia.unipd.it/
Dipartimento di Scienze Storiche, geografiche e dell’Antichità
Via del Vescovado, 30
Tel. 049.827 8501
Fax 049.827 8502
Web: http://www.dissgea.unipd.it/
1.2
Servizi per gli studenti
1.2.1 Servizi online
Posta elettronica e Single Sign On
Contestualmente all'iscrizione ogni studente dell'Ateneo riceve un indirizzo di posta elettronica
attraverso il quale può essere contattato dal personale dell'Ateneo. Molti altri servizi di Ateneo
utilizzano il sistema Single Sign On, al quale si accede utilizzando username e password della posta
elettronica di Ateneo.
Il portale Uniweb
Il sistema informativo Uniweb è accessibile dal sito www.uniweb.unipd.it mediante Single Sign On
e permette a tutti gli iscritti all’Università di Padova di accedere online alle informazioni sul loro
percorso di studi e di gestire direttamente la propria carriera universitaria.
I servizi attivati riguardano l'immatricolazione, l’iscrizione agli esami, la presentazione dei piani di
studio, la domanda di iscrizione ai corsi estivi, la domanda di laurea e di conseguimento degli altri
titoli di studio rilasciati dall’Ateneo.
Il portale Didattica
Il portale www.didattica.unipd.it contiene numerose informazioni sull'offerta didattica di Ateneo.
All'interno dell'offerta della Scuola di Scienze (http://didattica.unipd.it/offerta/2016/SC) si trovano
le informazioni su tutti i Corsi di Studio erogati dalla Scuola, e in particolare i Corsi di Laurea
8
(triennali e magistrale) del Dipartimento di Scienze Statistiche. Nelle pagine dei Corsi di Studio
sono infine presenti le informazioni sui singoli insegnamenti erogati (periodo, orari, aule,
programma, ecc.) e sui rispettivi docenti (recapito, orario di ricevimento, curriculum vitae, ecc.).
Il sito web del Dipartimento di Scienze Statistiche
Il sito web del Dipartimento di Scienze Statistiche costituisce lo strumento di comunicazione e
informazione aggiornata delle attività del Dipartimento, sia per quanto riguarda la ricerca che la
didattica: http://www.stat.unipd.it.
In particolare, per quanto riguarda la didattica, la sezione Studiare presenta le informazioni più
aggiornate per gli studenti iscritti, ad esempio le comunicazioni di docenti e Segreteria Didattica:
http://www.stat.unipd.it/studiare/news-didattica.
Per i futuri studenti, invece, la pagina http://www.stat.unipd.it/studiare/futuri-studenti fornisce
informazioni aggiornate sulle attività di orientamento e sui nuovi Corsi di Laurea erogati dal
Dipartimento.
Ulteriori dettagli e materiale didattico gestito dai singoli docenti sono disponibili sul sistema
Moodle mediante Single Sign On: https://didattica.stat.unipd.it/login/alternative.php.
Infine, informazioni aggiornate di carattere divulgativo o su iniziative legate alla statistica sono
reperibili nelle pagine Facebook (https://www.facebook.com/groups/dipStat/) e Youtube
(https://www.youtube.com/user/ScienzeStatistichePD) del Dipartimento di Scienze Statistiche.
1.2.2 Biblioteca di Scienze Statistiche "Bernardo Colombo"
Sede:
Telefono:
Fax:
E-mail:
Web:
Via C. Battisti, 241
049.827 4107
049.827 4100
[email protected]
http://bibliotecastatistica.cab.unipd.it/
Orario di apertura: Dalle 8.00 alle 18.15, da lunedì a venerdì, orario continuato.
Variazioni di orario e chiusure sono comunicate con avvisi in Biblioteca e sito web.
Informazioni generali
La Biblioteca di Scienze Statistiche "Bernardo Colombo" mette a disposizione dei propri utenti il
patrimonio bibliografico e documentario a supporto della ricerca e della didattica.
Mette a diposizione, inoltre, una sezione speciale di documentazione ufficiale, sia nazionale che
internazionale.
Fa parte del Sistema Bibliotecario di Ateneo (SBA), di cui condivide le finalità generali, ed è
coordinata dal Centro di Ateneo per le Biblioteche (CAB). Afferisce al Polo bibliotecario di Scienze
Sociali, insieme alle biblioteche di Scienze Politiche, Scienze Economiche e Aziendali, Geografia e
Diritto Comparato. Il Coordinatore Scientifico è la prof. Fausta Ongaro.
I principali servizi della Biblioteca:
- consultazione/prestito di libri, fruibile da tutti gli utenti istituzionali e dagli utenti esterni
all’Ateneo muniti di tessera;
- riproduzione del materiale librario e documentale, nel rispetto della normativa vigente in
materia di tutela del diritto di autore;
9
-
recupero di copie di articoli di riviste non presenti nel Catalogo dell’Ateneo o trasferite al
Deposito di Legnaro (Document Delivery- DD, tramite Nilde);
recupero di libri non presenti nel Catalogo dell’Ateneo (Inter Library Loan- ILL);
consulenza bibliografica e sui servizi online avanzati;
laboratori di istruzione all’utenza sulle risorse informative;
uso delle postazioni informatiche per la ricerca nei cataloghi e accesso ad Internet tramite la
rete wireless del campus Santa Caterina.
1.2.3 Aule del complesso di Santa Caterina
Aule didattiche
- Aule SC20, SC30, SC40, SC60, SC120, SC140, Benvenuti, Cucconi
Via C. Battisti, 241
Aula studio
- Aula “Studenti”
Via C. Battisti, 241
1.2.4 Aule e Servizi Informatici per la Didattica (ASID)
I supporti tecnico-informatici per lo svolgimento dell’attività didattica dei Corsi di Studio in
Scienze Statistiche sono coordinati in una struttura denominata Aule e Servizi Informatici per la
Didattica (ASID), diretta dal prof. Matteo Grigoletto.
Le principali strutture dell’ASID sono l’Aula Didattica “A.C. Capelo” (ASID60, divisibile in due
semiaule denominate ASID28 e ASID32), l’ASID20 e l’ASID17, che hanno sede presso il
complesso di Santa Caterina al seguente indirizzo:
ASID, Dipartimento di Scienze Statistiche
Via C. Battisti, 241
Tel. 049.827 4121
Web: http://www.stat.unipd.it/servizi/servizi-informatici-la-didattica-e-la-ricerca
I servizi forniti dal personale tecnico, che opera all’interno di dette strutture, riguardano le attività di
documentazione ed assistenza sui sistemi di calcolo accessibili e sul software installato.
L’Aula Didattica “A.C. Capelo” è dotata di 60 Personal Computer, l’ASID20 di 20, l’ASID17 di
18; tutte le macchine hanno un doppio sistema operativo, Windows e Linux .
Nell'aula studio degli “studenti” presso il complesso di Santa Caterina sono inoltre collocate 12
macchine alle quali si accede secondo le stesse modalità valide per le aule ASID e altre 5 macchine
sono disponibili in Biblioteca.
Da tutte le macchine è possibile accedere alle risorse della rete locale (software, stampanti e server)
e di Internet, tramite la rete di Ateneo.
L’orario di apertura dell’Aula Didattica “A.C. Capelo” è il seguente:
dal lunedì al giovedì
dalle ore 8.30 alle ore 18.30
venerdì
dalle ore 8.30 alle ore 16.30
L’orario di apertura dell’ASID17 è il seguente:
dal lunedì al giovedì
dalle ore 8.00 alle ore 18.30
venerdì
dalle ore 8.00 alle ore 16.30
10
L’orario di apertura dell'ASID 20 è il seguente:
dal lunedì al venerdì
dalle ore 8.00 alle ore 18.30
Regolamento e norme di utilizzo (http://www.stat.unipd.it/servizi/regolamento)
L’accesso all’ASID e l’utilizzo dei sistemi di calcolo in essa installati è regolato dalle norme di
organizzazione interna e di funzionamento, delle quali si riportano i punti salienti:
- hanno accesso all'Aula Didattica “A.C. Capelo”, all'ASID17 e all'ASID20 gli studenti dei Corsi
di Studio in Scienze Statistiche che ne facciano uso per attività didattiche;
- l'accesso al sistema avviene tramite autenticazione personale per mezzo di password personali,
segrete e non cedibili per alcun motivo, nemmeno al personale tecnico. Il legittimo detentore della
password risponde di qualsiasi utilizzo effettuato attraverso di essa;
- l’accesso al sistema ha di norma durata di 6 mesi, allo scadere dei quali lo studente potrà
rinnovarlo;
- gli studenti che abbiano bisogno di maggiori risorse per il proprio lavoro di tesi (numero di
stampe, disponibilità oraria, risorse di calcolo aggiuntive, etc.) devono consegnare ai tecnici
l'apposito modulo reperibile on-line nella sezione “Modulistica” della pagina del servizio;
- i manuali dei principali programmi installati sono a disposizione degli utenti, unicamente per
consultazione. Non è consentito prenderli in prestito o fotocopiarli;
- sono a disposizione anche alcune dispense che è possibile consultare e prendere in prestito per
fotocopiarle.
È fatto assoluto divieto di:
- fare uso improprio delle risorse delle aule, sfruttandole per scopi personali e comunque diversi
da quelli istituzionali;
- utilizzare servizi o risorse di rete, collegare apparecchiature, diffondere virus, “catene di S.
Antonio”, messaggi allarmistici in modo da danneggiare, molestare o perturbare le attività di
altre persone, utenti o servizi disponibili sulla rete;
- effettuare copie, modifiche o cancellazioni di programmi e dati presenti nella rete salvo esplicita
autorizzazione;
- installare senza autorizzazione programmi commerciali o propri.
È fatto obbligo di verificare attraverso appositi programmi la presenza di virus sui propri cd e
dispositivi usb.
Per quanto riguarda il traffico Internet, l’utente è, inoltre, tenuto a rispettare la normativa GARR
(Gruppo Armonizzazione Reti Ricerca, http://www.garr.it).
L’ASID ha un proprio sito nel quale vengono pubblicate tutte le informazioni riguardanti i servizi
offerti, le apparecchiature a disposizione, il regolamento ed i manuali on-line. L’indirizzo del sito è:
http://www.stat.unipd.it/servizi/servizi-informatici-la-didattica-e-la-ricerca.
11
1.2.5 Stage & tirocini
Il Servizio Stage di Scienze Statistiche
Dal 1992 i Corsi di Studio in Scienze Statistiche attivano per i propri iscritti il Progetto Stage,
un’iniziativa tesa ad avvicinare il mondo universitario a quello del lavoro, che offre agli studenti
l’opportunità di entrare in contatto con la realtà aziendale già prima del conseguimento della laurea,
e che permette alle imprese di comprendere la qualità e l’efficacia dei nuovi strumenti conoscitivi
forniti dai Corsi di Studio in Scienze Statistiche.
Il Servizio Stage svolge attività di orientamento e di assistenza nella ricerca dello stage e adotta
proprie iniziative di contatto con soggetti privati e pubblici per il reperimento di proposte di progetti
formativi in linea con i percorsi previsti nei diversi corsi di laurea.
Lo stage non comporta l’assegnazione di crediti formativi se svolto durante il biennio magistrale o
successivamente al conseguimento della laurea; può invece essere inserito nel piano di studi dei
corsi di laurea di primo livello e si accompagna in questo caso alla redazione della relazione finale
(a questo proposito si veda la Tabella 3.3).
Per informazioni rivolgersi a:
Ufficio Stage - Segreteria Didattica
Via C. Battisti, 241 - piano I
Tel. 049.827 4118 (lunedì, mercoledì)
049.827 3072 (martedì, giovedì, venerdì)
Fax 049.827 3524
E-mail: [email protected]
Orario ricevimento studenti: lunedì e mercoledì 10.00-13.00
Per il Dipartimento di Scienze Statistiche, le attività di stage sono coordinate dalla commissione
stage composta dai prof. Francesca Bassi, Luigi Fabbris, Mariangela Guidolin e Bruno Scarpa e
dalla dott.ssa Delfina Di Monte.
Il Dipartimento di Scienze Statistiche, inoltre, partecipa al progetto Stage IT, promosso da ICT Lab
di Confindustria e dal Parco Scientifico e Tecnologico Galileo. L'iniziativa si propone di agevolare
il matching tra aziende operanti nel settore dell'Information and Communication Technology (ICT)
e studenti che si affacciano al mondo del lavoro tramite incontri e progetti di stage.
Le aree di stage
L’attività di stage deve essere in linea con gli obiettivi formativi perseguiti dai differenti corsi di
laurea e permette di applicare le conoscenze acquisite negli studi, di confrontarsi con il mondo del
lavoro e di maturare quindi nuove competenze in vista del successivo inserimento professionale.
Le aree di interesse per l’attivazione di uno stage a contenuto statistico riguardano numerosi ambiti
disciplinari.
Statistica nel Marketing e analisi di mercato - Analisi e profilazione della clientela; conduzione
di indagini di customer satisfaction, realizzazione di survey e focus group per la valutazione della
soddisfazione del cliente (costruzione e somministrazione di un questionario/intervista, raccolta e
interpretazione dati); analisi dati di vendita e previsioni di vendita tramite serie storiche; analisi e
posizionamento competitivo dell'azienda sul mercato; gestione dei mercati; modelli di
comunicazione aziendale e reti informative; analisi e gestione canali commerciali: customer
relationship management - CRM; analisi e gestione del portafoglio clienti; data mining; database
marketing; strategie di promozione dell'immagine dell'azienda, pianificazione di campagne
12
promozionali per prodotti e servizi; marketing relazionale e interattivo; web marketing, analisi e
valutazione dei siti web secondo parametri di efficienza, efficacia, usabilità.
Amministrazione e controllo di gestione - programmazione e controllo di gestione nelle aziende e
negli enti, controllo di gestione direzionale, analisi strategica, competitiva ed economico-finanziaria
del settore e dei concorrenti. Modelli di contabilità industriale e analisi dei costi; analisi di bilancio;
costruzione di budget, monitoraggio e analisi degli scostamenti; elaborazione di indicatori di
performance. Mappatura dei processi aziendali, valutazione e progettazione di azioni correttive e di
miglioramento nella gestione delle risorse e dei processi aziendali.
Finanza - analisi di bilancio; analisi di portafoglio; analisi dei mercati finanziari; analisi di serie
storiche di dati bancari; gestione del rischio e previsione finanziaria; analisi dei prodotti finanziari;
sviluppo e progettazione canali di finanziamento nelle PMI.
Statistica Applicata - progettazione e direzione di indagini campionarie e di sondaggi
demoscopici; customer satisfaction; Demografia: analisi di dati demografici e studio delle
dinamiche della popolazione; Statistica sociale: progettazione e realizzazione di studi e indagini
sociali o psico-sociali e di analisi del welfare; Statistica ambientale: analisi di dati ambientali,
progettazione e dislocazione di reti per il monitoraggio ambientale; Biostatistica: studio
sperimentale di fenomeni medico-clinici e dell’effetto di nuovi farmaci, analisi della sopravvivenza
di pazienti ed animali trattati in ambito clinico e farmacologico; Statistica sanitaria: analisi di dati
finalizzate all’attività e al funzionamento delle strutture sanitarie; Analisi della qualità tecnica e
organizzativa, piani territoriali di salute; Statistica ufficiale: rilevazione, gestione e analisi di dati
statistici degli enti della Pubblica Amministrazione.
Controllo statistico di processo, certificazione qualità - Analisi e controllo standard / non
standard della qualità della produzione; controllo della produzione e miglioramento della qualità dei
prodotti; valutazione della qualità delle materie prime e dei semilavorati; miglioramento
dell'efficienza di un processo produttivo, studio dell'affidabilità di un prodotto; certificazione:
applicazione della normativa per la qualità ai processi produttivi, revisione e supporto nella stesura
dei manuali per la qualità.
Produzione e logistica - supporto nella pianificazione della produzione; strumenti di
programmazione e controllo della produzione, dei costi industriali e delle reti produttive; analisi e
valutazione dei processi di outsourcing; gestione approvvigionamenti e acquisti; progettazione
logistica; modelli di ottimizzazione per la gestione dei flussi di merci e delle scorte.
Ricerca & Sviluppo, innovazione - sviluppo nuovi prodotti/servizi, economia e sviluppo dei
servizi on line.
Informatica e sistemi informativi - Progettazione, costruzione e gestione di basi di dati; estrazione
e analisi dati da database complessi: data-mining; datawarehousing; progettazione gestione di
pagine web; modelli di comunicazione aziendale e reti informative: intranet, internet; supporti
informatici alle decisioni: sistemi Erp - Enterprise resource planning.
13
1.2.6 Altri servizi di Ateneo e del Dipartimento di Scienze Statistiche
Call Centre
Il Call Centre è un servizio telefonico di informazione, attivo dal lunedì al venerdì dalle 9.00 alle
17.00, al numero 049.8273131. I suoi qualificati operatori forniscono informazioni utili per l’intera
carriera universitaria e, in particolare, rispondono a domande su:
- offerta didattica: dai corsi di laurea alla formazione iniziale degli insegnanti (TFA, PAS);
- indicazioni generali su scuole di specializzazione e dottorati di ricerca;
- procedure di immatricolazione e procedure amministrative della carriera studente;
- diritto allo studio (tasse, benefici, esoneri totali e parziali, borse di studio, assistenza sanitaria) e
servizi a disposizione degli studenti disabili;
- Uniweb, il sistema per gestire via web le pratiche relative alla carriera universitaria e posta
elettronica degli studenti;
- autenticazione centralizzata dell'Università (Single Sign On, usato per Uniweb e per la posta
elettronica di Ateneo) riguardanti username, password, codice di attivazione password;
- orario d’apertura degli uffici e ubicazione delle varie sedi di Ateneo.
Servizio orientamento
Palazzo Storione
Riviera Tito Livio, 6
Tel. 049.827 3312 Fax 049.827 3339
E-mail: [email protected]
Web: http://www.unipd.it/orientamento
lunedì - mercoledì - venerdì: 10.00 - 13.00
martedì e giovedì: 10.00 - 13.00 e 15.00 - 16.30
Rivolto a quanti vogliono conoscere le opportunità formative dell’Università degli Studi di Padova,
il Servizio Orientamento è il luogo dove trovare le risposte ai tanti interrogativi che accompagnano
la scelta degli studi universitari. Con una Biblioteca specializzata aperta agli studenti (con riviste,
monografie e le aggiornate Guide ai Corsi di Studio) e uno staff qualificato, fornisce informazioni
sui percorsi di studi o corsi di diploma, laurea, master, corsi di perfezionamento, scuole di
specializzazione, dottorati di ricerca e sulle modalità per accedervi. Il sito completa la gamma degli
strumenti utilizzabili dallo studente per documentarsi e cominciare a misurare le proprie abilità
attraverso i questionari di autovalutazione on-line.
Il lavoro degli orientatori inizia ancor prima dell’effettiva iscrizione all’Università: durante gli
ultimi due anni della scuola secondaria gli studenti possono partecipare agli incontri e ai seminari di
orientamento che si tengono periodicamente nelle scuole stesse o presso i Dipartimenti. A febbraio
viene organizzata l’iniziativa “Scegli con noi il tuo domani”, due/tre giornate dedicate
all’informazione relativa all’offerta universitaria, per tutti gli studenti frequentanti le classi quarte e
quinte. A luglio è previsto un “Open day” per consentire agli studenti di visitare le strutture
universitarie e di confrontarsi con alcuni tutor e studenti sulle loro opinioni circa la vita
all’università. Per le numerose altre iniziative di orientamento, si rimanda al sito
http://www.unipd.it/orientamento
Per il Dipartimento di Scienze Statistiche le attività di orientamento sono coordinate dalla
commissione orientamento, composta dai prof Alessandra Dalla Valle, Stefano Mazzuco, Adriano
Paggiaro e Laura Ventura e dalla dott.ssa Delfina Di Monte. Le iniziative che vedono coinvolto il
Dipartimento di Scienze Statistiche e le informazioni sull’offerta didattica sono consultabili sul sito
web: http://www.stat.unipd.it/studiare/futuri-studenti.
14
Servizio tutorato
Via Portello, 31
Tel. 049.827 5031 Fax 049.827 5030
E-mail: [email protected]
Web: http://www.unipd.it/tutorato
dal lunedì al venerdì 10.00-12.30
Il Servizio si propone di orientare e assistere gli studenti lungo tutto il corso degli studi, rendendoli
attivamente partecipi del processo formativo, anche impegnandosi per rimuovere gli ostacoli ad una
proficua frequenza dei corsi e garantendo attenzione alle necessità, alle attitudini ed alle esigenze
dei singoli. L’autonomia nell’organizzazione del tempo e dei ritmi di studio, l’acquisizione di un
metodo di lavoro corretto e la necessità di elaborare e verificare un progetto di studi coerente con la
scelta di un percorso formativo sono tappe fondamentali nella costruzione della carriera di uno
studente. L’Università di Padova ha pensato il servizio di consulenza attorno alla figura del tutor,
scelto tra docenti di ogni Dipartimento, ma anche neo-laureati, cultori della materia e studenti degli
ultimi anni con particolari doti relazionali e competenze.
Per il Dipartimento di Scienze Statistiche, le attività di tutorato sono coordinate dal prof. Stefano
Mazzuco e dal prof. Adriano Paggiaro. Giovani neolaureati, scelti dal Dipartimento di Scienze
Statistiche, sono a disposizione delle matricole per aiutarle nelle attività di recupero delle eventuali
lacune nella formazione di base e nella preparazione degli esami del I anno a partire dalla prima
settimana di lezione. L’attività è svolta in modo coordinato con le ultime iniziative a sostegno della
didattica.
I nominativi dei tutor selezionati per l'A.A. 2016/17 e i loro orari di ricevimento saranno disponibili
sul sito web di Scienze Statistiche a partire da settembre 2016:
http://www.stat.unipd.it/studiare/tutor.
Servizio stage e career service
Palazzo Storione - Riviera Tito Livio, 6
Tel. 049.827 3075
Fax 049.827 3524
E-mail: [email protected]
Web: http://www.unipd.it/stage
da lunedì a venerdì: 10.00 - 13.00
martedì e giovedì: anche 15.00 - 16.30
Il Servizio Stage e mondo del lavoro fornisce a studenti e laureati gli strumenti e il supporto più
adeguati per l’inserimento nel mondo del lavoro. I 4 principali servizi attraverso cui opera:
• Stage e tirocini: promuove stage e tirocini in Italia e all’estero. Le offerte sono consultabili
nella vetrina online: http://www.unipd.it/stage
• Sportello orientamento al lavoro: svolge attività di orientamento al lavoro e alle professioni
attraverso seminari, incontri di presentazione delle aziende e consulenze individuali gratuite,
utili strumenti per mostrare come si affrontano i vari passaggi della selezione del personale,
o i concorsi, e come si valorizza il curriculum. http://www.unipd.it/orientamentolavoro
• Job placement: favorisce l’incontro tra la domanda e l’offerta di lavoro svolgendo un’attività
di intermediazione per aiutare i propri studenti e laureati a trovare l’occupazione più adatta.
Le offerte di lavoro sono consultabili online:
http://www.unipd.it/servizi/stage-lavoro/job-placement
15
•
Osservatorio del mercato locale del lavoro: monitora l’evoluzione del mondo produttivo
attraverso l’analisi dei bisogni di professionalità e di inserimento occupazionale dei laureati
nei diversi settori economici. I risultati delle attività di ricerca sono raccolti nei quaderni
della collana Pharos. L’Osservatorio cura inoltre la pubblicazione de “Il repertorio delle
professioni dell’Università di Padova” che descrive le professioni per le quali prepara
l’Università degli Studi di Padova in termini di attività svolte, formazione e competenze
richieste e possibilità di impiego. http://www.unipd.it/osservatoriolavoro
Segreterie Studenti – Corsi di Studio in Scienze Statistiche (Referente: Mara Masiero)
Sede: Casa Grimani,
Lungargine del Piovego, 2/3,
Tel. 049.827 6416/ 6419 Fax 049.827 6415
E-mail: [email protected]
Web: http://www.unipd.it/target/studenti/segreteria-e-tasse
Apertura al pubblico:
lunedì e mercoledì: 9.00 - 13.00
martedì e giovedì: 9.00 - 15.00
venerdì chiuso al pubblico.
Ricevimento telefonico:
lunedì, martedì e venerdì: 9.00 - 11.00
mercoledì: 12.00 - 13.00
giovedì 15.00 - 17.00.
Il Servizio Segreterie Studenti, supporto necessario all’attività didattica, si occupa della gestione
amministrativa della carriera degli studenti, dal momento della loro richiesta di ingresso
all’Università e fino al momento del rilascio del diploma di laurea. Assiste gli studenti:
- in entrata: preimmatricolazione e prova di ammissione, immatricolazione; iscrizione a corsi
singoli; trasferimento da altra università; richiesta di riconoscimento di titoli di studio conseguiti
all’estero;
- durante gli studi: presentazione del piano degli studi; verifica della registrazione di esami sostenuti
e della regolarità delle iscrizioni e, in generale, della correttezza del proprio curriculum; rilascio di
certificati, attestazioni e duplicati dei documenti che riguardano la posizione di studente; richiesta di
convalida degli esami sostenuti in altre università; domanda di riconoscimento della carriera
pregressa; richiesta di trasferimento da un corso di laurea ad un altro o dal vecchio al nuovo
ordinamento di studi; domanda di laurea;
- in uscita: rilascio del diploma di laurea; domanda di trasferimento per proseguire gli studi presso
un’altra università; rinuncia agli studi universitari.
In particolare, la Segreteria Studenti dei Corsi di Studio in Scienze Statistiche cura tutti i rapporti
amministrativi fra gli studenti e l'Università. È ad essa (e non alla Segreteria Didattica di Santa
Caterina) che occorre rivolgersi per iscrizioni, trasferimenti da altre sedi, cambi di corso, piani di
studio e, naturalmente, per le informazioni relative.
16
Altri servizi
Per i numerosi altri servizi offerti dall'Ateneo si invita a consultare le rispettive pagine web:
- URP: http://www.unipd.it/servizi/informarsi/ufficio-relazioni-pubblico-urp
- Diritto allo studio: http://www.unipd.it/dirittoallostudio
- Disabilità: http://www.unipd.it/disabilita (referente per il Dipartimento di Scienze Statistiche:
dott.ssa Silvia Meggiolaro).
- Formazione post lauream: http://www.unipd.it/corsi
- Centro linguistico: http://www.cla.unipd.it/
- Relazioni internazionali: http://www.unipd.it/servizi/esperienze-internazionali
- Difensore civico: http://www.unipd.it/universita/tutela-garanzia/difensore-civico
- ESU- Azienda regionale per il diritto allo studio universitario: http://www.esu.pd.it
- Servizio assistenza psicologica:
http://www.unipd.it/servizi/supporto-studio/servizi-aiuto-psicologico
- Ambulatori specialistici: http://www.unipd.it/ambulatori-specialistici
- Centro Universitario Sportivo: www.cuspadova.it
- UP Store: www.upstore.it
1.3
Organi e Persone
1.3.1 Consigli di Corso di Studio e loro Presidenti
I Corsi di Laurea sono retti da Consigli di Corso di Studio, i quali organizzano le attività di
insegnamento ed hanno competenze sui piani di studio. La composizione dei Consigli di Corso di
Studio è specificata nello Statuto di Ateneo, art. 40. Ogni Consiglio di Corso di Studio è coordinato
da un Presidente.
I corsi di Laurea (triennali) del Dipartimento di Scienze Statistiche, presentati in Sezione 3.2 (SEI e
STS ordinamento 2014), hanno un unico Consiglio di Corso di Studio aggregato, di cui è Presidente
la prof.ssa Laura Ventura ([email protected]).
Il Presidente della Laurea magistrale in Scienze Statistiche, presentata in Sezione 3.3, è il prof.
Bruno Scarpa ([email protected]).
1.3.2 Rappresentanti degli studenti
I rappresentanti degli studenti per il biennio 2016/2018 sono:
- Per il CCS aggregato delle lauree (triennali):
Clara Bagatin, Pietro Belloni, Enrico Castaldo, Edoardo Comis, Claudia Franceschini, Elena
Giupponi, Laura Masiero.
- Per la laurea magistrale in Scienze Statistiche:
Carlo Pinato.
1.3.3 I docenti
I docenti titolari di insegnamenti nei corsi di studio del Dipartimento di Scienze Statistiche sono
distribuiti nelle varie sedi come indicato nelle tabelle qui riportate (sono esclusi docenti a contratto
e afferenti ad altri Atenei). Ulteriori informazioni sui docenti (insegnamenti, orario di
ricevimento,…) sono disponibili nel portale www.didattica.unipd.it e nel sito
http://www.stat.unipd.it
17
Professori (1ª fascia)
Agosti Maristella
Andreatta Giovanni
Bertocco Matteo
Bimbi Franca
Dipartimento o Istituto
Ingegneria dell’Informazione
Matematica
Ingegneria dell’Informazione
Filosofia, Pedagogia e Psicologia
Applicata
Scienze Economiche e Aziendali
Scienze Statistiche
Scienze Economiche e Aziendali
Scienze Statistiche
Matematica
Scienze Statistiche
Scienze Statistiche
Scienze Statistiche
Matematica
Scienze Economiche e Aziendali
Scienze Economiche e Aziendali
Scienze Statistiche
Scienze Economiche e Aziendali
Scienze Statistiche
Scienze Economiche e Aziendali
Scienze Statistiche
Scienze Economiche e Aziendali
Brunello Giorgio
Caporin Massimiliano
Chillemi Ottorino
Chiogna Monica
Dai Pra Paolo
Dalla Zuanna Gianpiero(a)
Di Fonzo Tommaso
Fabbris Luigi
Ferrante Marco
Grandinetti Roberto
Gubitta Paolo
Masarotto Guido
Moretto Michele
Ongaro Fausta
Rebba Vincenzo
Salvan Alessandra
Weber Guglielmo
(a) Nell’A.A. 2016/2017, in congedo per aspettativa
Professori (2ª fascia)
Adimari Gianfranco
Badaloni Silvana
Bassetti Thomas
Bassi Francesca
Bisaglia Luisa
Boccuzzo Giovanna
Brazzale Alessandra
Caggiano Giovanni
Capizzi Giovanna
Celant Giorgio
Comin Matteo
Dalla Valle Alessandra
Finos Livio
Fontini Fulvio
Gianecchini Martina
Grigoletto Matteo
Lisi Francesco
Mannucci Paola
Mazzuco Stefano
Melucci Massimo
Novello Elisabetta
Paccagnella Omar
Dipartimento o Istituto
Scienze Statistiche
Ingegneria dell’Informazione
Scienze Economiche e Aziendali
Scienze Statistiche
Scienze Statistiche
Scienze Statistiche
Scienze Statistiche
Scienze Economiche e Aziendali
Scienze Statistiche
Scienze Statistiche
Ingegneria dell’Informazione
Scienze Statistiche
Psicologia dello Sviluppo e
Socializzazione
Scienze Economiche e Aziendali
Scienze Economiche e Aziendali
Scienze Statistiche
Scienze Statistiche
Matematica
Scienze Statistiche
Ingegneria dell’Informazione
Scienze Storiche Geografiche e
dell’Antichità
Scienze Statistiche
18
Sede degli studi
Via Gradenigo, 6/A
Via Trieste, 63
Via Gradenigo, 6/A
Piazza Capitaniato, 3
Via del Santo, 22
Via C. Battisti, 241
Via del Santo, 33
Via C. Battisti, 241
Via Trieste, 63
Via C. Battisti, 241
Via C. Battisti, 241
Via C. Battisti, 241
Via Trieste, 63
Via del Santo, 22
Via del Santo, 22
Via C. Battisti, 241
Via del Santo, 22
Via C. Battisti, 241
Via del Santo, 22
Via C. Battisti, 241
Via del Santo, 33
Sede degli studi
Via C. Battisti, 241
Via Gradenigo, 6/A
Via del Santo, 33
Via C. Battisti, 241
Via C. Battisti, 241
Via C. Battisti, 241
Via C. Battisti, 241
Via del Santo, 22
Via C. Battisti, 241
Via C. Battisti, 241
Via Gradenigo, 6/A
Via C. Battisti, 241
Via Venezia, 8
Via del Santo, 33
Via del Santo, 33
Via C. Battisti, 241
Via C. Battisti, 241
Via Trieste, 63
Via C. Battisti, 241
Via Gradenigo, 6/A
Via del Vescovado,
30
Via C. Battisti, 241
Corsi di Studio
SSTAT
STS; SSTAT
SEI; STS; SSTAT
SSTAT
SEI
SSTAT
SEI
SEI; STS; SSTAT
SEI; STS
SEI; STS
SEI; STS
SSTAT
SEI; SSTAT
SSTAT
SSTAT
SEI
SEI; SSTAT
SSTAT
SEI; STS; SSTAT
SSTAT
Corsi di Studio
SEI; STS
SSTAT
SEI
SEI; SSTAT
SEI; STS
SEI; STS; SSTAT
STS; SSTAT
SEI
SEI; STS
SEI; STS
SSTAT
SEI; STS
SEI; STS
SEI
SSTAT
SEI; STS
SSTAT
SEI; STS
STS; SSTAT
SEI; STS
SSTAT
SEI; SSTAT
Professori (2ª fascia)
Paggiaro Adriano
Parmeggiani Gemma
Romualdi Chiara
Saccomani Mariapia
Sartori Nicola
Scarpa Bruno
Tanturri Maria Letizia
Treu Giulia
Ventura Laura
Vianello Marco
Zingirian Nicola
Dipartimento o Istituto
Scienze Statistiche
Matematica
Biologia
Ingegneria dell’Informazione
Scienze Statistiche
Scienze Statistiche
Scienze Statistiche
Matematica
Scienze Statistiche
Matematica
Ingegneria dell’Informazione
Sede degli studi
Ricercatori
Aiolli Fabio
Bianchi Alessandra
Cesaroni Annalisa
Fiorin Silvano
Guidolin Mariangela
Menardi Giovanna
Palmeri Luca
Vitiello Libero
Dipartimento o Istituto
Matematica
Matematica
Scienze Statistiche
Scienze Statistiche
Scienze Statistiche
Scienze Statistiche
Ingegneria Industriale
Biologia
Sede degli studi
Via Trieste, 63
Via Trieste, 63
Via C. Battisti, 241
Via C. Battisti, 241
Via C. Battisti, 241
Via C. Battisti, 241
Via Gradenigo, 6/A
Via Bassi, 58/B
SSTAT
SSTAT
SEI; STS
SEI; STS
SEI
SEI; STS
SSTAT
STS; SSTAT
Sede degli studi
Corsi di Studio
Via C. Battisti, 241
Via C. Battisti, 241
Via C. Battisti, 241
Via C. Battisti, 241
SSTAT
SEI
SEI; STS
STS
Ricercatori a tempo Dipartimento o Istituto
determinato
Barbiera Irene
Scienze Statistiche
Bernardi Mauro
Scienze Statistiche
Cattelan Manuela
Scienze Statistiche
Cortese Giuliana
Scienze Statistiche
19
Via C. Battisti, 241
Via Trieste, 63
Via Bassi, 58/B
Via Gradenigo, 6/A
Via C. Battisti, 241
Via C. Battisti, 241
Via C. Battisti, 241
Via Trieste, 63
Via C. Battisti, 241
Via Trieste, 63
Via Gradenigo, 6/A
Corsi di Studio
SEI; SSTAT
SEI; STS
SSTAT
SSTAT
SSTAT
SEI; STS; SSTAT
SSTAT
SEI; STS
SEI; STS
SSTAT
SEI; STS
Corsi di Studio
20
2. Quando e come: cose da fare e da sapere
Si prega di leggere attentamente le seguenti sezioni, in cui si riportano utili informazioni per tutti gli
studenti. In particolare, sono riportate informazioni e scadenze su:
- immatricolazioni, precorsi e iniziative per le matricole;
- presentazione dei piani di studio;
- trasferimenti e cambi di corso;
- prove finali;
- calendario delle lezioni, esami e prove finali.
Ricordiamo che nell’A.A. 2016/17 saranno attivi
- i tre anni delle nuove lauree triennali (ordinamento 2014);
- entrambi gli anni della nuova laurea magistrale in Scienze Statistiche (ordinamento 2014).
N.B. Nel seguito si presentano principalmente le informazioni relative all'ordinamento 2014. Dove
non sia specificato altrimenti, gli studenti già iscritti agli ordinamenti precedenti sono pregati di fare
riferimento al Bollettino dell'A.A. di iscrizione: http://www.stat.unipd.it/studiare/bollettino.
Tutti gli insegnamenti saranno collocati in due semestri.
Gli appelli saranno collocati alla fine dei semestri, con una sessione di recupero in settembre (si
veda la Sezione 2.5).
Le attività formative con titoli in inglese saranno erogate in lingua inglese.
I crediti formativi universitari (CFU) sono l'unità con cui viene misurato il lavoro degli studenti.
In particolare, la legge stabilisce che ad ogni attività formativa debba essere attribuito il suo valore
in crediti e che
1 CFU = 25 ore di lavoro dello studente.
Nelle 25 ore devono essere conteggiate le ore di lezione, di esercitazione e di laboratorio e anche le
ore che lo studente dedica allo studio individuale o di gruppo. Ad esempio, nei nuovi Corsi di
Studio in Scienze Statistiche la maggior parte degli insegnamenti "valgono" 9 crediti e prevedono
64 ore tra lezioni ed esercitazioni. Questo vuol dire che, sulla base dell'esperienza passata e sentiti
gli studenti, si valuta che per ben apprendere i contenuti di queste attività formative siano
necessarie:
64
161
225
ore di lezione od esercitazione in presenza dei docenti
ore di studio individuale o di gruppo
ore di studio complessive ovvero 9 crediti
+
=
La quantità di lavoro richiesta ad uno studente a tempo pieno è di 1500 ore all'anno, ovvero in un
anno uno studente dovrebbe “guadagnare” 60 CFU. Il numero di crediti necessario per conseguire
un titolo di studio è poi calcolato di conseguenza. Ad esempio, per conseguire una laurea (di primo
livello), bisogna avere acquisito 180 CFU, mentre per una laurea magistrale sono necessari 120
CFU.
Il sistema dei crediti è stato introdotto sia per facilitare la mobilità degli studenti tra i diversi atenei,
anche stranieri, sia per permettere di riconoscere attività formative, ad esempio gli stage, che non
rientrano nell'usuale schema lezioni+esame finale.
L'introduzione dei crediti non ha però comportato la sparizione dei voti che, quindi, continuano ad
essere assegnati come misura, non solo del lavoro svolto, ma anche della qualità dell'apprendimento
raggiunto. Seguendo la tradizione universitaria, i voti degli esami sono espressi in trentesimi (da 0 a
30), mentre il voto finale di laurea è espresso in centodecimi (da 0 a 110).
21
2.1
Prove di ammissione e immatricolazioni
2.1.1 Lauree triennali: requisiti e prova di ammissione
Per essere ammessi ai corsi di laurea di primo livello ("triennali") in Scienze Statistiche per l'A.A.
2016/17 sono richiesti il possesso del diploma di scuola media secondaria superiore o un titolo di
studio estero valido per l'accesso alla formazione universitaria e la partecipazione alla prova di
accertamento obbligatoria, su presentazione di un'apposita domanda. Per l’A.A. 2016/17 la prova
di accertamento consiste in un test on line, in presenza, che avrà luogo nei giorni 8, 15, 16 e 26
settembre 2016 presso l'aula informatica ASID60 del Dipartimento di Scienze Statistiche, via
Cesare Battisti, 241. Ciascun candidato sarà associato in modo automatico ad uno dei turni
disponibili. Il candidato si dovrà presentare nella giornata ed orario che gli verrà indicato in fase
di preimmatricolazione.
La prova di accertamento è unica per entrambi i corsi di laurea. Essa consente agli studenti di
orientarsi rispetto alle attività formative offerte dai Corsi di Studio in Scienze Statistiche. In
particolare intende indicare a tutti i candidati i prerequisiti logico-matematici che permettono di
affrontare i corsi di base con il massimo profitto. Agli studenti che realizzeranno meno di 13 punti
su 30 saranno attribuiti degli obblighi formativi aggiuntivi che dovranno essere soddisfatti entro il
30 settembre 2017. Il soddisfacimento degli obblighi formativi aggiuntivi potrà avvenire
previo contatto con i tutor di Scienze Statistiche. I nominativi e gli orari di ricevimento dei tutor
di Scienze Statistiche sono disponibili sul sito http://www.stat.unipd.it/studiare/tutor.
A differenza di altre Strutture Didattiche dell’Ateneo, il test di ingresso è on-line, e sarà accessibile
un test di prova all'indirizzo: http://didattica.stat.unipd.it/, cliccando sulla voce Test d'ingresso (A.A.
2016/2017). Sarà possibile accedere al test di prova da mercoledì 24 agosto 2016. Le credenziali
di accesso al test sono le stesse utilizzate in fase di registrazione al portale Uniweb per la
preimmatricolazione. Completata la preimmatricolazione sul portale Uniweb, le credenziali
consentiranno di accedere al test a partire dal 24 agosto 2016. Chi si preimmatricolasse in data
successiva all'attivazione del test d'ingresso di prova, potrà accedervi indicativamente dopo 48 ore
dalla preimmatricolazione.
Per sostenere il test lo studente deve preimmatricolarsi (http://www.unipd.it, cliccando sulle voci Futuri studenti - Come iscriversi - Preimmatricolazioni e immatricolazioni) fornendo nome,
cognome, luogo e data di nascita, diploma di maturità e relativo voto, codice fiscale e un indirizzo
di posta elettronica valido e pagare il contributo previsto dall'Ateneo, secondo gli estremi forniti
durante la procedura, entro la data della prova.
La prova di ammissione consiste nella soluzione di 30 quesiti a risposta multipla, di cui una sola
esatta tra le cinque indicate per ciascun quesito, sui seguenti argomenti:
•
•
Comprensione verbale (10 quesiti)
Elementi di matematica di base (20 quesiti)
L'elenco degli argomenti di matematica richiesti si trova alla Sezione 2.2. I temi oggetto della prova
saranno affrontati nell’ambito del precorso di Matematica.
Lo studente ha a disposizione un tempo massimo di 80 minuti per completare la prova. Sarà
assegnato un punteggio di +1 per risposta esatta, 0 per risposta non data, -0.25 per risposta errata. Il
test si intende superato se saranno totalizzati almeno 18 punti. Il risultato verrà comunicato al
termine dello stesso. È possibile sostenere la prova una sola volta. La graduatoria finale sarà
pubblicata sul sito di Scienze Statistiche dopo l'ultimo turno previsto. Alla voce "Esempio di Test
22
d'ingresso" è disponibile un test composto dallo stesso tipo di domande di quello ufficiale. È
possibile ripeterlo a piacere per familiarizzare con il sistema e la tipologia di domande. Le domande
(ma non le risposte!) dell'esempio di test d'ingresso, in formato PDF, sono disponibili sul sito di
Scienze Statistiche (http://www.stat.unipd.it/studiare/ammissione-lauree-triennali).
N.B. È consentita l'iscrizione ai Corsi di Studio in Scienze Statistiche anche agli studenti che siano
in una delle seguenti condizioni:
• abbiano sostenuto il test relativo ad uno dei Corsi di Studio della Scuola di Scienze (accesso
programmato e con prova di accertamento obbligatoria, per i Corsi di Laurea in Astronomia,
Fisica, Informatica, Matematica e Scienze Geologiche);
• abbiano sostenuto uno dei test CISIA di Ingegneria;
• abbiano sostenuto il test CISIA di Scienze presso le altre sedi CISIA in Italia;
• risultino ammessi alla prova orale di ammissione alla Scuola Galileiana – classe Scienze
Naturali.
2.1.2 Lauree triennali: immatricolazioni
Primo passo: la preimmatricolazione
La domanda di preimmatricolazione deve essere obbligatoriamente presentata via web a
partire dal 30 giugno 2016 ed entro le ore 12.00 del 19 settembre 2016, secondo le scadenze
previste dai rispettivi avvisi per l'ammissione pubblicati nel sito dell'Ateneo - sezione Corsi di
Laurea.
È necessario collegarsi al sito http://uniweb.unipd.it/ e seguire le istruzioni riportate nella pagina
iniziale, rispettando le scadenze indicate negli avvisi di ammissione pubblicati alla pagina
http://www.unipd.it, cliccando sulle voci - Futuri studenti - Come iscriversi - Avvisi di ammissione
ai corsi.
Il candidato potrà compilare la domanda di ammissione solo dopo aver registrato i dati richiesti e il
proprio codice fiscale. Ciascuno dovrà selezionare la prova di ammissione alla quale intende
partecipare e stampare:
•
•
la pagina di riepilogo;
il modulo di pagamento MAV per effettuare il versamento del contributo; il pagamento
può essere effettuato in qualsiasi Istituto di Credito italiano.
Dopo il termine perentorio delle ore 12.00 del 19 settembre, secondo le scadenze previste dai
rispettivi avvisi per l'ammissione pubblicati nel sito dell'Ateneo - sezione Corsi di Laurea, il
collegamento web verrà disattivato e non sarà più possibile compilare la domanda. Il servizio
potrà subire, inoltre, momentanee sospensioni nei giorni prefestivi e festivi per esigenze di
aggiornamento tecnico. Per l'intero periodo in cui il collegamento web sarà attivo, a supporto di chi
affronta le procedure di immatricolazione sarà attivo un servizio di Call centre. L'assistenza verrà
erogata negli orari indicati sul sito di Ateneo http://www.unipd.it alla voce Futuri studenti - Come
iscriversi - Preimmatricolazioni e immatricolazioni.
23
Secondo passo: l'immatricolazione
L’immatricolazione è l’atto che rende effettiva l’iscrizione; può avvenire dopo la
preimmatricolazione e dopo aver sostenuto la prova di ammissione. Al momento
dell’immatricolazione vengono assegnati il numero di matricola e l’e-mail di Ateneo.
Per immatricolarsi è necessario:
•
•
presentare la domanda via web sul sito http://uniweb.unipd.it dal 19 settembre ed entro le
ore 12.00 del 30 settembre 2016;
portare la documentazione indicata nell'avviso di ammissione, comprensiva della ricevuta di
pagamento del contributo per la preimmatricolazione e della ricevuta del pagamento della
prima rata delle tasse universitarie all'Ufficio Immatricolazioni.
Contatti:
Per assistenza per le procedure di immatricolazione rivolgersi all'Help Desk negli orari indicati sul
sito di Ateneo (http://www.unipd.it), alla voce Futuri studenti - Come iscriversi Preimmatricolazioni e immatricolazioni.
Sarà possibile utilizzare le postazioni disponibili presso l’Ufficio Immatricolazioni delle sedi di
Padova (Via Venezia, 13) e Treviso (Complesso San Leonardo, Riviera Garibaldi 13/e) negli orari
indicati sul seguente sito di Ateneo: http://www.unipd.it/servizi/iscrizioni-tasse-borsestudio/preimmatricolazioni-immatricolazioni/ufficio-immatricolazioni
Per ogni tipo di informazione riguardo ai contenuti della prova di ammissione rivolgersi:
•
•
ai membri della Commissione Test d'ingresso, Alessandra Dalla Valle, Annalisa Cesaroni,
Mirko Moro e Silvia Sartorelli ([email protected]);
alla Segreteria Didattica di Scienze Statistiche ([email protected]).
Per problemi tecnici
[email protected]).
relativi
al
test
d'ingresso
contattare l'assistenza tecnica (help-
2.1.3 Laurea magistrale: requisiti e prova di ammissione
Gli studenti che intendono iscriversi al Corso di Laurea Magistrale in SCIENZE STATISTICHE
devono essere in possesso della laurea o di un diploma universitario di durata triennale o di altro
titolo conseguito all'estero, riconosciuto idoneo in base alla normativa vigente e devono conoscere e
comprendere i fondamenti dell'algebra lineare e dell'analisi matematica e gli elementi di base della
statistica (descrittiva, inferenza e modelli). Il possesso di tali conoscenze, competenze e abilità sarà
verificato attraverso le procedure descritte nel seguito.
Per l’ammissione al Corso di Laurea Magistrale in SCIENZE STATISTICHE, lo studente, ai sensi
dell’art. 6, comma 2 del D.M. 270/04, deve essere in possesso di specifici requisiti curriculari e di
una adeguata preparazione personale.
La verifica del possesso di tali requisiti avverrà mediante valutazione, da parte di un'apposita
commissione (si veda la sezione 2.1.4), del curriculum personale dello studente, che dovrà
prevedere una chiara indicazione dei contenuti specifici degli studi precedenti.
24
Requisiti Curriculari
a) Lo studente deve aver ottenuto un voto finale di Laurea Triennale non inferiore a 85/110.
b) Lo studente deve aver conseguito almeno 26 CFU complessivi nei seguenti settori scientificodisciplinari: MAT (tutti i settori), SECS-S (tutti i settori), SECS-P/05, MPSI/03, MED/01.
Adeguata preparazione personale
Sono necessarie le conoscenze equivalenti agli insegnamenti di ANALISI MATEMATICA e di
MODELLI STATISTICI 2 entrambi erogati nei corsi di Laurea Triennale facenti capo al
Dipartimento di Scienze Statistiche. Lo studente che, dall’analisi del curriculum, risultasse non
possedere tali conoscenze, dovrà: a) per ANALISI MATEMATICA dimostrarne il possesso
superando con esito positivo l’accertamento relativo a tale insegnamento prima dell’iscrizione; b)
per MODELLI STATISTICI 2 superare il relativo accertamento di profitto, prima di poter sostenere
esami collocati nel II anno di corso della LM. I CFU conseguiti in MODELLI STATISTICI 2
verranno conteggiati nei 120 CFU necessari per conseguire la Laurea Magistrale.
Per i laureati con elevata preparazione, risultante dalle conoscenze e competenze certificate nel
curriculum, provenienti da percorsi formativi non perfettamente coerenti con i requisiti richiesti in
ingresso, si può prevedere un diverso iniziale percorso in ingresso e/o specifiche prove di
ammissione.
Prova di ammissione
Il superamento di una prova di ammissione è obbligatorio per gli studenti che non possiedano
adeguata preparazione personale in analisi matematica. La prova di ammissione alla laurea
magistrale per l'A.A. 2016/17 consiste quindi nel superamento dell'esame di ANALISI
MATEMATICA: http://www.didattica.unipd.it/offerta/2016/SC/SC2095/2014/000ZZ/1124469.
Le prove si svolgeranno durante le normali sessioni di esame. Si consulti il sito
http://www.stat.unipd.it/studiare/calendario-appelli-desame per maggiori dettagli su date ed orari.
Per l'anno accademico 2016/17 è inoltre previsto un appello straordinario specifico per il test di
ammissione, che si terrà il 2 dicembre 2016. Per poter sostenere la prova è sufficiente iscriversi
all'apposita lista d'esame attivata nel sito di Scienze Statistiche, aperta anche agli studenti non
iscritti all'Università di Padova, raggiungibile a partire dalla seguente pagina web:
http://www.stat.unipd.it/studiare/prova-di-ammissione.
La prova di accertamento è valida per i tre anni successivi al suo superamento.
L'esito della prova è positivo o negativo (non viene espresso un voto) e non comporta
l'assegnazione di CFU; per questo, la prova rappresenta una sorta di idoneità all'iscrizione al corso
di laurea.
In caso di esito non del tutto soddisfacente, allo studente potrà essere richiesto di integrare la prova
scritta con un colloquio orale.
Per preparare la prova, è utile consultare i programmi, i temi d'esame e le soluzioni dei precedenti
appelli di ANALISI MATEMATICA. Nella piattaforma Moodle di Scienze Statistiche, alla pagina
del corso sono presenti gli appunti delle lezioni, i testi degli appelli degli anni precedenti e altro
materiale didattico. Per l'accesso è necessaria una password che verrà comunicata dal docente. Gli
studenti non iscritti all'Università di Padova dovranno preventivamente chiedere alla dott.ssa Silvia
Sartorelli ([email protected]) oppure al dott. Mirko Moro ([email protected]) la possibilità di
accedere alla piattaforma Moodle come ospiti.
25
2.1.4 Laurea magistrale: immatricolazioni
Per iscriversi alla Laurea Magistrale in Scienze Statistiche è necessaria la preimmatricolazione via web, previa registrazione (se lo studente non è già registrato) all'indirizzo
http://www.uniweb.unipd.it.
La domanda di pre-immatricolazione deve essere presentata dal 30 maggio 2016 ed entro le
ore 12.00 del 30 settembre 2016. Possono pre-immatricolarsi anche candidati che non hanno
ancora conseguito la laurea di primo livello.
È possibile l'iscrizione in corso d'anno, entro i termini fissati dal Senato Accademico e dal CCS,
per gli studenti che abbiano conseguito la Laurea triennale entro il 16 dicembre 2016, e in
possesso dei requisiti Curricolari. Per costoro, è prevista la possibilità di preimmatricolarsi anche
dal 7 novembre 2016 alle ore 12.00 del 13 gennaio 2017. L’iscrizione dovrà comunque essere
perfezionata entro il 31 gennaio 2017.
La domanda di preimmatricolazione va presentata sia dagli studenti che prevedono di laurearsi
entro il terzo periodo dell’A.A. 2015/16 che dagli studenti che usufruiranno delle sessioni utili
dell’anno accademico 2016/17 (vedere il calendario delle prove finali nella Sezione 2.5.1).
Dopo aver completato via web la domanda di preimmatricolazione, lo studente dovrà:
- stampare il riepilogo con allegata la richiesta di bonifico di € 30,00;
- stampare l'autocertificazione per la valutazione preventiva della carriera;
- integrare la domanda con la documentazione da presentare per la preimmatricolazione
(si veda http://www.stat.unipd.it/it/studiare/documentazione-per-preimmatricolazione);
- per favorire i lavori della commissione incaricata di valutare le domande di ammissione (in
tempo utile per segnalare la necessità di sostenere o meno la prova di ammissione) si
caldeggia la consegna della documentazione allegata alla domanda di
preimmatricolazione (compilata via web e stampata in cartaceo) entro i primi giorni di
settembre 2016. La documentazione deve essere presentata presso la Segreteria Studenti
di riferimento (Casa Grimani, Lungargine del Piovego 2/3 - 35131 Padova).
Tutte le informazioni relative alle procedure di immatricolazione sono disponibili sul sito di Ateneo
http://www.unipd.it alla voce Futuri studenti - Come iscriversi - Preimmatricolazioni e
immatricolazioni.
Modalità di ammissione e requisiti minimi
Un'apposita Commissione - composta dal Presidente del Corso di Laurea Magistrale in Scienze
Statistiche, dalla prof.ssa Giulia Treu e dal prof. Nicola Sartori - in base alla documentazione
prodotta valuta se lo studente soddisfi i requisiti minimi di ammissione e stabilisce se il
candidato debba sostenere la prova di ammissione oppure se debba inserire nel proprio piano di
studi l'insegnamento di MODELLI STATISTICI 2 considerato come requisito.
La valutazione del curriculum dei candidati da parte della Commissione sarà completata entro
settembre 2016.
Nota: la Commissione comunicherà il prima possibile a ogni candidato l'esito della
valutazione, in modo da facilitare la preparazione dell'eventuale prova di ammissione e consentire
di sostenerla nell’appello di settembre 2016.
Per tutte le informazioni sulle modalità di accesso alla laurea magistrale, si veda la pagina web:
http://www.stat.unipd.it/it/studiare/ammissione-laurea-magistrale.
26
In base ai criteri di ammissione fissati:
- I laureati triennali in Scienze Statistiche a Padova che hanno seguito il curriculum (ord.
2009) o percorso (ord. 2014) metodologico vengono ammessi automaticamente alla
Laurea Magistrale in Scienze Statistiche senza dover sostenere la prova di ammissione e
senza dover inserire fra i 120 CFU della laurea magistrale l'insegnamento di MODELLI
STATISTICI 2.
- Ai laureati triennali nel Dipartimento di Scienze Statistiche di Padova che hanno sostenuto
l'esame di METODI MATEMATICI (ord. 2009) o ANALISI MATEMATICA (ord. 2014),
non è richiesta la prova di ammissione. La Commissione dovrà valutare esclusivamente le
conoscenze personali relative all'insegnamento di MODELLI STATISTICI 2.
- I laureati quadriennali e triennali in Scienze Statistiche di tutta Italia (classi di laurea
37 ex DM509 e 41 ex DM270) possiedono i requisiti minimi se hanno maturato almeno 26
CFU nei settori scientifici e disciplinari: MAT, SECS-S, SECS-P/05, MPSI/03,
MED/01. La Commissione valuterà solo il possesso delle conoscenze personali relative ai
corsi di ANALISI MATEMATICA e MODELLI STATISTICI 2.
- I laureati quadriennali e triennali in altri corsi di laurea dovranno conseguire i
requisiti minimi all'interno dei loro percorsi triennali. È possibile anche conseguire CFU
nei settori richiesti dopo la laurea, iscrivendosi a corsi singoli. In ogni caso, durante la laurea
triennale è consigliabile sostenere l'esame di ANALISI MATEMATICA (o esami con
contenuti equivalenti), in modo da evitare di dover sostenere la prova di ammissione, e
l'esame di MODELLI STATISTICI 2 (o esami con contenuti equivalenti), per evitare
vincoli nel piano di studi della laurea magistrale.
Avviso importante sull’iscrizione alla laurea magistrale
Per l'anno accademico 2016/17 il termine ultimo per l'iscrizione alla laurea magistrale di Scienze
Statistiche è il 31 gennaio 2017, ed è possibile iscriversi al primo anno per chi consegue la laurea
triennale entro il 16 dicembre 2016, purché abbia proceduto alla preimmatricolazione secondo le
regole vigenti. Per chi si laurea nelle sessioni successive l'iscrizione non è consentita; esiste
comunque la possibilità di frequentare e sostenere esami del primo anno della magistrale come corsi
singoli che vengono poi riconosciuti al momento dell'iscrizione l'anno successivo. Per maggiori
dettagli si veda il seguente link: http://www.scienze.unipd.it/index.php?id=opportunita_formative.
2.1.5 Altre informazioni
Vincoli per sostenere esami negli anni successivi al primo e note sui pre-requisiti
Allo scopo di favorire un ordinato svolgimento degli studi, gli studenti delle lauree triennali iscritti
al secondo o terzo anno o fuori corso non possono sostenere esami del secondo o del terzo anno
(obbligatori o opzionali che siano) se non hanno superato l'esame di ISTITUZIONI DI ANALISI
MATEMATICA (ordinamento 2014) o ISTITUZIONI DI ANALISI MATEMATICA 1
(ordinamento 2009).
Gli studenti della laurea magistrale iscritti al secondo anno o fuori corso non possono sostenere
esami del secondo anno (per l'ordinamento 2014 quelli appartenenti al paniere major, si veda in
seguito la Tabella 3.15) se non hanno superato gli esami di CALCOLO DELLE PROBABILITÀ e
STATISTICA PROGREDITO. Nel primo anno della laurea magistrale non c'è vincolo di
successione fra esami, ossia non c'è obbligo di sostenere in successione gli esami di MODELLI
STATISTICI 2 (se previsto), CALCOLO DELLE PROBABILITÀ e STATISTICA
PROGREDITO. Questa successione è quella consigliata, ma uno studente può anche praticare altre
sequenze, per quanto fortemente sconsigliate.
27
Nella Sezione 4.2 - Programmi degli insegnamenti del presente Bollettino, per alcuni insegnamenti
sono indicati come prerequisiti altri insegnamenti. Ciò significa che i docenti degli insegnamenti
suddetti possono dare per scontata la conoscenza, da parte degli studenti, dei contenuti impartiti
negli esami indicati come prerequisito. Questo non determina tuttavia alcun vincolo di successione
fra esami. Ad esempio, CALCOLO DELLE PROBABILITÀ è indicato come prerequisito per
l'esame di STATISTICA PROGREDITO; significa che i docenti di STATISTICA PROGREDITO
possono dare per scontato che gli studenti conoscano i contenuti di CALCOLO DELLE
PROBABILITÀ, ma non si tratta di un vincolo di successione nello svolgimento dei due esami.
Prova di conoscenza della Lingua Italiana
Il giorno 2 settembre 2016 alle ore 9.30 in Aula Vigna dell'ex Presidenza di Scienze, via Jappelli 1,
avrà luogo una prova di valutazione della conoscenza della Lingua Italiana. La prova è obbligatoria
per gli studenti non comunitari che risiedono all'estero. Per informazioni consultare il sito di Ateneo
http://www.unipd.it/prova-conoscenza-lingua-italiana.
Domanda di sospensione agli studi
La domanda di sospensione degli studi, motivata ai sensi dell’art. 17 del Regolamento studenti, va
presentata prima di prendere iscrizione all’anno accademico 2016/17.
Nel periodo di sospensione, che deve durare almeno un anno accademico, non si è tenuti al
versamento delle tasse e dei contributi universitari relativamente alla carriera sospesa ed è preclusa
qualsiasi attività accademica, compresa la fruizione di qualsiasi servizio didattico e amministrativo.
Per informazioni consultare il sito di Ateneo http://www.unipd.it alla voce Studenti – Segreteria e
Tasse – Interrompere gli Studi – Sospensione.
In alternativa è possibile rivolgersi al Servizio:
Segreterie Studenti dei Corsi di Studio in Scienze Statistiche
Lungargine del Piovego, 2/3
Padova
Tel. 049.827 6416/6419
Fax 049.827 6415
28
2.2
Precorso di Matematica
Anche per l’A.A. 2016/17 il Dipartimento di Scienze Statistiche offre alle matricole un precorso di
Matematica: si tratta di un ciclo di lezioni che, nell’arco di due settimane, intende introdurre i
principali argomenti di base che lo studente svilupperà nell’ambito dell’insegnamento di Istituzioni
di Analisi Matematica, previsto al primo anno.
Il precorso è aperto a tutti gli interessati e non è a pagamento. Possono seguire il precorso anche gli
studenti che non hanno ancora completato la procedura di immatricolazione.
PRECORSO DI MATEMATICA
(Prof. F. Mattiello)
Periodo: da lunedì 19 settembre a venerdì 30 settembre 2016. Indicazioni sugli orari e sulle
modalità del corso saranno disponibili all'inizio di settembre 2016 sul sito di Scienze Statistiche:
http://www.stat.unipd.it/studiare/precorso-di-matematica.
Obiettivi formativi:
L’obiettivo del precorso è guidare gli studenti in un ripasso degli argomenti essenziali di
Matematica studiati alle scuole superiori, colmando le eventuali lacune ed allineando le conoscenze
su una base comune.
Programma:
1) Il linguaggio della matematica, con elementi di logica e di teoria degli insiemi.
2) I numeri, dai naturali ai reali, con il loro ordinamento, operazioni e proprietà.
3) I polinomi; divisione di polinomi; Teorema di Ruffini; scomposizione in fattori. Le funzioni
elementari (polinomiale, potenza, esponenziale, logaritmo e funzioni trigonometriche) con le
loro proprietà e grafici.
4) Equazioni e disequazioni, razionali e trascendenti e sistemi di disequazioni.
Didattica: 20 ore di lezioni frontali.
Modalità dell’esame:
Al termine del precorso lo studente può sostenere una prova di accertamento. A coloro che superano
tale prova con una votazione compresa fra 18 e 26 /30 viene conferito il bonus di 1 punto da
aggiungere al voto finale (già sufficiente) dell’esame di Istituzioni di analisi matematica. Tale bonus
è di 2 punti per chi supera la prova con un voto compreso fra 27 e 30 /30.
Testi di consultazione:
- Artico G. (2003), Richiami di Matematica per l’accesso alle Facoltà scientifiche, Libreria
Progetto, Padova.
- D’Ercole R. (2012), Precorso di Matematica per Economia e Scienze, Pearson, Torino.
- Malafarina G. (2010), Matematica per i precorsi, McGraw-Hill, Milano.
29
2.3
Piani di studio e trasferimenti
2.3.1 Piani di studio
Avvertenze
Tutte le informazioni riguardanti i piani di studio, sia del nuovo sia del vecchio ordinamento, sono
disponibili alla pagina del sito di Scienze Statistiche dedicata ai piani di studio
(http://www.stat.unipd.it/studiare/piani-di-studio). Lo studente è invitato a prendere visione di tale
sezione, che nel corso dell’anno può subire variazioni.
LAUREE TRIENNALI
Nel piano degli studi lo studente deve indicare gli insegnamenti che intende seguire, oltre a quelli
obbligatori, per raggiungere la quota dei 180 CFU, necessaria al conseguimento del diploma di
laurea di primo livello. Ciascuno studente deve presentare il proprio piano di studio all’inizio
dell’Anno Accademico, di norma nel mese di novembre (eventuali modifiche al periodo di
presentazione del piano di studio saranno comunicate nel sito web di Scienze Statistiche). Le
matricole inseriranno le attività formative previste per il loro primo anno di corso; gli studenti
iscritti al secondo anno integreranno il piano di studio con gli insegnamenti previsti nel loro
secondo anno; infine, gli studenti iscritti al terzo anno integreranno il loro piano di studio con gli
insegnamenti previsti nel loro terzo anno.
Il piano degli studi può essere rivisto entro la fine dell’Anno Accademico, in un periodo indicato
nel sito di Scienze Statistiche, nella primavera del 2017.
Per la presentazione o modifica del piano di studio, lo studente dovrà avvalersi di una procedura
informatizzata attiva sul portale Uniweb – http://uniweb.unipd.it. Maggiori informazioni saranno
disponibili sul sito di Scienze Statistiche.
La Commissione Pratiche Studenti (per contatti con i docenti interessati si veda
http://www.stat.unipd.it/studiare/commissioni) si occupa dei piani di studio e dei trasferimenti per
l’Anno Accademico 2016/17.
Per l’acquisizione dei crediti relativi alla lingua straniera, la Scuola di Scienze organizza dei corsi
di Lingua Inglese appoggiandosi al Centro Linguistico di Ateneo. Informazioni specifiche si
trovano nel sito http://cla.unipd.it/test-linguistici/tal/scienze.
Se in possesso di uno dei certificati di lingua inglese riconosciuti dalla Scuola di Scienze di
livello B2 o superiore, rilasciato da non più di tre anni, gli studenti potranno ottenere la convalida
dei CFU altrimenti associati al superamento dell'esame di Lingua inglese. Gli interessati dovranno
rivolgersi alla Segreteria Didattica di Scienze Statistiche presentando il proprio certificato e
l'apposito modulo per la domanda di riconoscimento. La modulistica, la tabella delle equipollenze e
le scadenze previste per la consegna dei documenti sono disponibili nel sito di Scienze Statistiche:
http://www.stat.unipd.it/studiare/riconoscimento-ecdl-e-lingua-inglese.
LAUREA MAGISTRALE
Nel piano degli studi lo studente deve indicare gli insegnamenti che intende seguire, oltre a quelli
obbligatori, per raggiungere la quota dei 120 CFU, necessaria al conseguimento del diploma di
laurea di secondo livello. Ciascuno studente deve presentare il proprio piano di studio all’inizio del
primo anno di corso, di norma nel mese di novembre (eventuali modifiche al periodo di
presentazione del piano di studio saranno comunicate nel sito web di Scienze Statistiche).
Il piano degli studi può essere rivisto entro la fine dell’Anno Accademico, in un periodo indicato sul
sito di Scienze Statistiche, nella primavera del 2017.
30
Per la presentazione o modifica del piano di studio lo studente dovrà avvalersi di una procedura
informatizzata attiva sul portale Uniweb – http://uniweb.unipd.it. Maggiori informazioni saranno
disponibili sul sito di Scienze Statistiche.
Il referente per i piani di studio ed i trasferimenti è il presidente del Corso di Laurea Magistrale.
Piani di studio personalizzati
Se uno studente desidera seguire un proprio percorso formativo che non include le attività previste
nei percorsi proposti dai Corsi di Studio in Scienze Statistiche, ha la possibilità di costruire un piano
degli studi personalizzato, da sottoporre all’approvazione del Consiglio di Corso di Studio, di
norma nel mese di novembre (eventuali modifiche al periodo di presentazione del piano di studio
saranno comunicate nel sito web di Scienze Statistiche).
Lo studente interessato dovrà tempestivamente rivolgersi al proprio Presidente di Corso di Studio,
con il quale concordare un percorso formativo ad hoc. Per essere approvata, l’alternativa proposta
dallo studente deve avere le stesse caratteristiche di coerenza culturale e professionale offerte dai
percorsi predisposti dai Corsi di Studio in Scienze Statistiche. Qualsiasi piano degli studi deve
comunque contenere tutti gli insegnamenti obbligatori comuni e di corso di laurea, nonché
soddisfare tutti i vincoli richiesti.
2.3.2 Passaggi, trasferimenti, seconde lauree
Cambio tra i corsi di laurea di Scienze Statistiche
Fermo restando che nel piano degli studi vanno comunque inclusi gli insegnamenti obbligatori
previsti per ciascun corso di laurea, gli insegnamenti sostenuti sono tutti convalidati.
Altri trasferimenti
Per il riconoscimento degli esami superati e per ulteriori informazioni, gli studenti interessati
possono rivolgersi alla Commissione Pratiche Studenti:
http://www.stat.unipd.it/studiare/commissioni.
Informazioni di carattere amministrativo sono disponibili nel sito di Ateneo http://www.unipd.it alla
voce Studenti – Segreteria e Tasse – Domanda di valutazione dei requisiti curriculari minimi e
riconoscimento dei crediti.
Per ulteriori informazioni è possibile anche contattare il:
Servizio Segreterie Studenti dei Corsi di Studio in Scienze Statistiche
Lungargine del Piovego, 2/3
Padova
Tel. 049.827 6416/ 6419
Fax 049.827 6415
Norme generali sui trasferimenti e cambi di corso
a) L'attività istruttoria delle pratiche di trasferimento è svolta dalla Commissione Pratiche Studenti
(http://www.stat.unipd.it/studiare/commissioni).
b) In casi di richiesta di convalida di discipline aventi contenuti particolari, la Commissione
consulterà il docente della disciplina per la quale si richiede la convalida.
31
c) Le richieste di trasferimento da altre Strutture Didattiche o altre sedi, per quanto possibile,
dovranno essere accompagnate dai programmi degli insegnamenti dei quali si chiede la
convalida.
d) Gli studenti trasferiti vengono iscritti ad un anno di corso conforme al numero di esami
riconosciuti.
Per informazioni inerenti la documentazione amministrativa da presentare e le relative scadenze
consultare il sito di Ateneo http://www.unipd.it alla voce Studenti – Segreteria e Tasse –
Trasferimenti, cambi di corso e di sede.
In alternativa, rivolgersi al Servizio Segreterie Studenti dei Corsi di Studio in Scienze Statistiche (si
veda la Sezione 1.2.6).
2.4
Studiare all’estero: programmi di mobilità e formazione internazionale
L'Università di Padova offre numerose possibilità per trascorrere un periodo di studio o lavoro
all'estero. I vari programmi di mobilità sono elencati nel sito di Ateneo http://www.unipd.it alla
voce Studenti - Esperienze internazionali. Scienze Statistiche in particolare promuove la mobilità
studentesca tramite il programma Erasmus+.
Erasmus+ è il programma dell'Unione Europea per l'istruzione, la formazione, la gioventù e lo
sport, in vigore per il periodo 2014-2020. Il programma Erasmus+ consente di vivere esperienze
culturali all'estero, di conoscere nuovi sistemi di istruzione superiore e di incontrare giovani di altri
Paesi, partecipando così attivamente al processo di integrazione europea.
Il programma Erasmus+ si articola in 3 azioni (Key Actions).
- Azione 1 (Key Action 1): mobilità individuale di apprendimento
- Azione 2 (Key Action 2): cooperazione per l’innovazione e le buone pratiche
- Azione 3 (Key Action 3): sostegno alla riforma delle politiche
I sottoprogrammi di particolare interesse per Scienze Statistiche sono Erasmus+ Mobilità per studio
ed Erasmus+ Mobilità per traineeship.
Erasmus+ Mobilità per studio. Il programma Erasmus+ Mobilità per studio riguarda la mobilità
studentesca e fa parte della Key Action 1. Il programma consente agli studenti di trascorrere un
periodo di formazione continuativo presso una o più Università europee e convenzionate con
l’Università degli Studi di Padova fino ad un massimo di 12 mesi per ogni ciclo di studio (1° ciclo:
triennale, 2° ciclo: magistrale, 3° ciclo: dottorato), anche combinando la mobilità per studio con
quella per traineeship. Il soggiorno prevede sia attività di studio, sia di ricerca per la tesi di laurea o
di dottorato, guidati dal proprio relatore/supervisore e da un docente in loco.
Erasmus+ Mobilità per traineeship. Erasmus+ Mobilità per traineeship consente agli studenti
degli Istituti di istruzione superiore di accedere a stage presso imprese e centri di formazione e
ricerca all'estero. Il periodo di mobilità per traineeship va da un minimo di 2 mesi ad un massimo di
12 mesi. I bandi Erasmus+ Mobilità per traineeship, presso l’Università di Padova, sono
gestiti dal Servizio Stage e Mondo del Lavoro. La responsabile di flusso di Scienze Statistiche per
il programma Erasmus+ Traineeship (stage e tirocini all'estero) è la prof.ssa Francesca Bassi.
32
2.4.1 Il bando Erasmus+
Generalmente verso febbraio, l’Università di Padova e l’Ufficio decentrato Erasmus+ di Scienze
Statistiche pubblicano il bando per l’assegnazione di borse di mobilità per soggiorni di studio
all’estero, dal quale è possibile reperire tutte le indicazioni necessarie alla presentazione di una
richiesta di borsa di studio Erasmus+. Lo studente in mobilità riceve un contributo economico, ha la
possibilità di seguire corsi e di usufruire delle strutture disponibili presso l'Istituto ospitante senza
ulteriori tasse di iscrizione, con la garanzia del pieno riconoscimento delle attività formative
sostenute all’estero con esito positivo, purché approvate in sede di learning agreement.
Lo scambio di studenti fra due sedi partner (“flusso Erasmus+”) è attivato all'interno di un accordo
bilaterale tra le due Università, coordinato dal punto di vista didattico da un docente di Scienze
Statistiche e da un docente dell'Università estera. Ogni accordo stabilisce un certo numero di posti
di mobilità disponibili e la durata del soggiorno. Gli Atenei partner di Scienze Statistiche hanno
sede in Austria, Belgio, Danimarca, Francia, Germania, Olanda, Polonia, Portogallo, Slovenia,
Spagna e Turchia. I coordinatori, per i corsi di studio in Scienze Statistiche, della mobilità
Erasmus+ sono le proff.sse Alessandra R. Brazzale ([email protected]) e Francesca
Bassi ([email protected]) e i proff. Mauro Bernardi ([email protected]), Livio Finos
([email protected]) e Mauro Migliardi ([email protected]). Per informazioni orientative
sulle sedi di destinazione possono essere consultati il referente per l'Ufficio decentrato Erasmus+ di
Scienze Statistiche ([email protected]) e i docenti indicati come responsabili degli scambi.
Il pieno riconoscimento dell’attività svolta all’estero è uno degli impegni sottoscritti dall’Ateneo
con l’approvazione della Erasmus Policy Statement (EPS), deliberata dal Senato Accademico il
06/05/2013. La conversione dei voti stranieri in voti italiani (espressi in trentesimi), secondo regole
condivise a livello europeo, fa riferimento alla scala ECTS di Scienze Statistiche
(http://www.unipd.it/download/file/fid/37011). Per maggiori informazioni si veda il sito di Ateneo:
http://www.unipd.it/tabella-ects-conversione-voti.
Agli studenti iscritti ai corsi di laurea triennale in Scienze Statistiche che abbiano svolto un periodo
di studio all’estero nel quadro del programma Erasmus+ e che in tale periodo abbiano conseguito
CFU verrà riconosciuto un bonus (si veda la Sezione 2.6).
Si fa presente che dall'A.A. 2016/17, per gli studenti che effettuano un periodo di studio all'estero e
che NON superano alcun esame e/o non attestano il lavoro di tesi e/o tirocinio (nel conteggio è
escluso il corso base di lingua) è previsto l'annullamento di tutte le mensilità della borsa, con la
conseguente restituzione delle somme già liquidate e l'annullamento di eventuali integrazioni.
Il bando, l’elenco delle Università partner e delle borse disponibili, nonché informazioni utili sugli
Atenei di destinazione e sulle esperienze degli ex studenti Erasmus sono disponibili sul sito di
Scienze Statistiche alla voce “Studiare all’estero – Erasmus”.
Per informazioni rivolgersi a:
Ufficio decentrato Erasmus – Scienze Statistiche
Complesso Santa Caterina
Via C. Battisti, 241 – 35121 Padova
presso la Segreteria Didattica, piano I (seguire indicazioni per Ufficio Stage)
Orario di ricevimento studenti: giovedì dalle 10.00 alle 13.00
Tel. +39 049 827 4179 - Fax +39 049 827 4120
E-mail: [email protected]
Web: http://www.stat.unipd.it/studiare/erasmus
33
2.4.2 Riconoscimento piani di studio Erasmus+
I piani di studio Erasmus+ sono piani di studio liberi, ammissibili purché coerenti nella loro
articolazione e conformi al RAD del Corso di Studio. L’organo competente per il riconoscimento
dei
piani
di
studio
Erasmus+
è
la
Commissione
Pratiche
Studenti
(http://www.stat.unipd.it/studiare/commissioni). Il vaglio della coerenza dei piani di studio
Erasmus+ è delegato ai coordinatori di flusso (Bassi, Bernardi, Brazzale, Finos, Migliardi).
Laurea triennale (ordinamento 2014)
• La mobilità Erasmus+ si tiene al 2° e 3° anno del percorso triennale.
• I 96 CFU degli insegnamenti obbligatori (Ist. di analisi matematica., Algebra lineare, Sistemi
di elaborazione 1, Basi di dati 1, Istituzioni di probabilità, Statistica 1, Statistica 2, Modelli
statistici 1, Teoria e tecnica dell’indagine statistica e del campionamento, Analisi dei dati
multidimensionali, Serie storiche) non possono essere conseguiti all’estero, ma devono essere
conseguiti presso il Dipartimento di Scienze Statistiche.
• I crediti maturati all’estero in sostituzione dei rimanenti insegnamenti (72 CFU) sono ammessi
nel seguente ordine di priorità:
1. 18 CFU liberi;
2. 27 CFU caratterizzanti il percorso;
3. 27 CFU caratterizzanti la laurea.
Laurea magistrale (ordinamento 2014)
• La mobilità Erasmus+ è prevista per il 2° anno del percorso magistrale. È anche possibile lo
svolgimento all’estero del lavoro di tesi (20 CFU).
• I 45 CFU degli insegnamenti obbligatori (Calcolo delle probabilità, Statistica progredito,
Analisi dei dati, Modelli statistici per dati sociali, Modelli statistici per dati economici) non
possono essere conseguiti all’estero, ma devono essere conseguiti presso il Dipartimento di
Scienze Statistiche.
• I crediti maturati all’estero in sostituzione dei rimanenti insegnamenti (54 CFU) sono ammessi
preferibilmente nel seguente ordine di priorità (si veda la Sezione 3.3):
1. 9 CFU liberi;
2. 27 CFU major;
3. 18 CFU minor.
34
2.5 Calendario dei Corsi di Studio in Scienze Statistiche
In data 3 ottobre 2016 si svolgerà il consueto incontro di inizio anno accademico con le matricole
dei Corsi di Studio di primo e di secondo livello. I Presidenti dei Consigli di Corso di Studio
illustreranno l’offerta formativa, l'organizzazione della didattica a Santa Caterina, la struttura dei
piani di studio e i principali servizi offerti agli studenti (tutorato, stage, Erasmus, Biblioteca, etc.).
L’orario dell’incontro verrà pubblicato sul sito di Scienze Statistiche.
2.5.1 Calendario delle lezioni e degli esami per l’A.A. 2016/17
Il precorso di matematica è previsto da lunedì 19 settembre a venerdì 30 settembre 2016.
Indicazioni sugli orari e sulle modalità del corso saranno disponibili all'inizio di settembre 2016 sul
sito di Scienze Statistiche.
Le lezioni iniziano il giorno 3 ottobre 2016 (NB: alcuni insegnamenti erogati da altri dipartimenti
iniziano la settimana precedente, si consiglia di verificare sul sito http://www.didattica.unipd.it).
L’assetto didattico è in semestri. Ogni semestre comprende 14 settimane effettive di lezione a cui fa
seguito un periodo intermedio dedicato agli appelli d’esame.
Per ogni insegnamento, sono previsti cinque appelli d'esame (due appelli ogni sessione semestrale,
più un appello di recupero a settembre). L’iscrizione a ogni esame avviene esclusivamente da
Uniweb, e va effettuata almeno tre giorni prima dell'appello d’esame.
L’organizzazione delle lezioni e degli appelli d’esame per l’A.A. 2016/17 è nella Tabella 2.1.
Attività
Lezioni
I semestre
Esami
Lezioni
II Semestre
Esami
Esami
Da
lunedì
3/10/2016
lunedì
23/01/2017
lunedì
27/02/2017
A
venerdì
20/01/2017
lunedì
24/02/2017
venerdì
09/06/2017
lunedì
12/06/2017
venerdì
21/07/2017
lunedì
21/08/2017
venerdì
22/09/2017
Note
Vacanze natalizie: dal 23/12/2016 (venerdì) al
06/01/2017 (venerdì)
Chiusure di Ateneo:
lunedì 31 ottobre e martedì 1 novembre
(Ognissanti)
da giovedì 8 dicembre a sabato 10 dicembre
(Immacolata Concezione)
2 Appelli
Vacanze pasquali: dal 14 aprile (venerdì) al 17
aprile (lunedì)
Chiusure di Ateneo:
martedì 25 aprile (Anniversario
Liberazione)
lunedì 1 maggio (Festa dei Lavoratori)
martedì 2 maggio (Festa Giustinianea)
venerdì 2 giugno (Festa della Repubblica)
2 Appelli
Chiusure di Ateneo:
martedì 13 giugno (Santo Patrono)
1 Appello
Tabella 2.1: Organizzazione delle lezioni e degli esami per l’A.A. 2016/17
35
della
Sessioni di Laurea
La compilazione online della domanda di laurea e del riepilogo AlmaLaurea e la consegna del
libretto universitario (se ancora in possesso dello studente) in Segreteria Studenti (Lungargine
Piovego) devono essere fatte entro le scadenze indicate sul sito web dell’ateneo:
http://www.unipd.it, alla voce Studenti – Laurearsi – Domanda di laurea - Scadenze.
Le relazioni finali devono essere consegnate secondo le scadenze previste dalla Tabella 2.2 presso
l’Ufficio Informativo Didattico. Esclusivamente per le lauree magistrali si deve anche inviare un
file pdf contenente la tesi all'indirizzo [email protected]. Si veda la Sezione 2.6 per ulteriori
dettagli sulla procedura di consegna.
La Tabella 2.2 si riferisce alle lauree triennali (ex DM 270/04 e DM 509/99), alle lauree magistrali
(ex DM 270/04) e alle lauree specialistiche (ex DM 509/99) e riporta, per ogni sessione/appello di
laurea, la scadenza per la consegna dei documenti e la data di proclamazione (triennali) o
discussione della tesi (altre). Per le lauree dell’ordinamento quadriennale (pre DM 509/99) le date
sono le medesime, si faccia riferimento al Bollettino 2008/09 per la diversa suddivisione in sessioni.
Sessione
Data consegna Data proclamazione
Rif. Tasse Unipd
III periodo - A.A. 2015/16
05/09/2016
26-27-28/09/2016
Obbligatorio pagamento 3^ rata
III periodo - A.A. 2015/16
03/11/2016
24-25/11/2016
Obbligatorio pagamento 3^ rata
I periodo - A.A. 2016/17
02/02/2017
23-24/02/2017 (LT)
Obbligatorio pagamento 2^ rata
I periodo - A.A. 2016/17
03/03/2017
07/04/2017
23-24-25/03/2017 (LM)
28-29/04/2017 (LT)
Obbligatorio pagamento 2^ rata
II periodo - A.A. 2016/17
29/06/2017
20-21/07/2017
Obbligatorio pagamento 3^ rata
III periodo - A.A. 2016/17
04/09/2017
25-26-27/09/2017*
Obbligatorio pagamento 3^ rata
III periodo - A.A. 2016/17
02/11/2017
23-24/11/2017*
Obbligatorio pagamento 3^ rata
Tabella 2.2: Lauree: consegna dei documenti e proclamazione.
* Le date delle ultime sessioni di laurea 2016/17 possono subire modifiche. Si invita a controllare sempre le
comunicazioni sul sito di Scienze Statistiche.
2.5.2 Obbligo di frequenza
Tutti i moduli previsti comprendono lezioni ed esercitazioni, spesso utilizzando i laboratori
informatici di Scienze Statistiche. La frequenza non è comunque obbligatoria. Singoli corsi
organizzati come laboratorio possono però richiederla. In questo caso, gli studenti lavoratori o
coloro che possono documentare l’impossibilità a frequentare il laboratorio, potranno concordare
con il responsabile le opportune forme alternative alla frequenza. In generale, è consigliabile che gli
studenti non frequentanti contattino sempre i docenti (anche per gli insegnamenti non organizzati a
laboratorio) con largo anticipo rispetto agli esami.
2.5.3 Altre Attività formative
Nell’ambito delle attività formative di cui all’art. 10, comma 5, lettera d (ex DM 270/04), tra le
abilità informatiche e telematiche e le ulteriori conoscenze utili per l’inserimento nel mondo del
lavoro, Scienze Statistiche offre agli studenti del secondo anno delle lauree triennali (ma anche agli
studenti del terzo anno o della laurea magistrale, nel caso siano disponibili posti liberi) un corso
introduttivo a SAS, per il quale è prevista l'iscrizione obbligatoria. Il corso si terrà nel mese di
settembre, date e modalità di iscrizione saranno rese note sul sito di Scienze Statistiche.
36
2.6
Prova finale
La normativa generale sugli esami finali di laurea e le modalità di consegna sono disponibili presso
la Segreteria Studenti dei Corsi di Studio in Scienze Statistiche e consultabili sul sito web
http://www.stat.unipd.it/studiare/laurearsi.
Lauree (triennali)
La prova finale (esame di laurea) consiste nella preparazione e discussione di una relazione sul
lavoro di stage, laboratorio o tirocinio o concordata con un docente (relatore) dei Corsi di laurea in
Scienze Statistiche (si veda l'elenco nel sito http://www.stat.unipd.it/studiare/docenti) e/o afferente
al Dipartimento di Scienze Statistiche (http://www.stat.unipd.it/it/dipartimento/docenti). Previo
consenso del relatore, la relazione finale può essere redatta in lingua inglese.
Le date di consegna della relazione finale e della seduta di laurea per la proclamazione sono fissate
all’inizio di ogni Anno Accademico. La consegna della relazione finale è prevista normalmente tre
settimane prima della proclamazione. Si veda la Tabella 2.2 per le date previste nell'A.A. 2016/17.
La relazione finale dovrà essere redatta:
- su fogli formato A4 scritti fronte retro
- con 65/70 caratteri per riga
- con 30/35 righe per pagina (interlinea 1,5 - 2)
- con copertina in cartoncino leggero, di colore carta da zucchero secondo il codice esadecimale
#0093D5, indicando la denominazione del corso di laurea di appartenenza (si veda prototipo
frontespizio su http://www.stat.unipd.it/studiare/laurearsi).
Procedura per la consegna della relazione finale
Il docente relatore approva la domanda di laurea in Uniweb.
Lo studente nelle date stabilite dalle Segreterie Studenti compila la domanda di laurea e
AlmaLaurea via Uniweb e consegna alle Segreterie Studenti il libretto (se non ancora ritirato). Le
date di compilazione e consegna sono visibili sul sito web dell’ateneo
(http://www.unipd.it/target/studenti/laurearsi). Si invitano i laureandi a controllare il sito per
ulteriori chiarimenti.
Lo studente nelle date indicate nel calendario delle sessioni di laurea (circa 21 giorni prima della
discussione) compila la scheda statistica nel portale http://didattica.stat.unipd.it, richiede alla
Biblioteca il nulla osta che dimostra di essere in regola con il prestito dei libri e consegna una copia
cartacea della relazione finale firmata dal docente. La copia della relazione finale non sarà
restituita ma verrà inviata con il processo di laurea alle Segreterie Studenti, e sarà conservata presso
l’archivio a Legnaro.
Lo studente che desidera far consultare la propria relazione finale nell'archivio istituzionale
dell’Ateneo Padua@thesis, deve consegnare in Biblioteca entro le scadenze previste in Tabella 2.2:
•
•
una copia della relazione finale su CD-ROM con nome e cognome oppure un file in una
chiavetta usb. In alternativa invia una copia della relazione finale in pdf all’indirizzo
[email protected];
la liberatoria per la pubblicazione nell’archivio istituzionale Padua@Thesis scaricabile dal
sito http://bibliotecastatistica.cab.unipd.it/usa-la-biblioteca/modulistica.
Sarà cura dello studente consegnare copia della relazione finale al relatore e al controrelatore non
appena pubblicata sul sito del Dipartimento la composizione della Commissione di laurea.
37
Svolgimento della prova finale
Nei giorni immediatamente successivi alla consegna delle relazioni finali, la Segreteria Didattica
provvede a pubblicare i nomi dei controrelatori delle relazioni e la composizione della
Commissione di laurea che procederà alle proclamazioni. Il controrelatore di ciascuna relazione
finale è designato su indicazione del docente relatore. Almeno 7 giorni prima della data prevista per
la proclamazione, il candidato discute la relazione con il relatore ed il controrelatore. Questi ultimi
formulano una proposta di valutazione per la prova finale, che comunicano tempestivamente alla
Segreteria Didattica.
Se il docente relatore ritiene che la relazione finale possa rientrare nella classe “relazione finale
buona” dovrà comunicarlo alla Segreteria Didattica.
La Commissione di laurea, composta da almeno cinque docenti, assegna la votazione e procede alla
proclamazione.
Valutazione prova finale
Il voto finale di laurea è costituito dal voto medio degli esami (in caso di 30 e lode il valore è
comunque 30) ponderato con il valore in crediti della relativa attività didattica, espresso in
centodecimi e arrotondato all’intero più vicino, più il punteggio in centodecimi conseguito nella
prova finale.
Il punteggio assegnato alla prova finale risulta dalla somma di:
(a) un voto da 0 a 6 assegnato alla relazione finale (e alla attività sottostante).
Schema di classificazione delle relazioni finali e classi di punteggio:
0-2 : relazione finale sufficiente (semplice rassegna tematica o relazione di stage non approfondita)
3-4 : relazione finale discreta (relazione compilativa con accurata presentazione o buona relazione
di stage)
5-6 : relazione finale buona (relazione finale con apprezzabile approfondimento e risultati di un
certo rilievo, anche derivanti da una esperienza di stage)
(b) un premio alla “velocità” della carriera dello studente, quantificato in modo tale da valorizzare
particolarmente il “laurearsi in corso”; i punti aggiuntivi sono calcolati a partire
dall'immatricolazione presso l'Università di Padova, secondo la Tabella 2.3.
(c) punti aggiuntivi per gli studenti che abbiano svolto un periodo di studio all’estero nel quadro del
Programma Erasmus+.
Gli iscritti all'ordinamento 2014 che abbiano conseguito almeno 9 CFU/18 CFU per permanenze
inferiori/superiori ai 6 mesi (nel conteggio è escluso il corso base di lingua) e/o attestano il
lavoro di tesi e/o tirocinio, pospongono di una sessione il bonus velocità secondo la Tabella 2.3.
Lo studente si è immatricolato a
settembre dell’anno x; si laurea
Nella sessione
entro 31 ottobre anno x + 3
1 novembre - 31 dicembre anno x + 3
1 novembre - 31 dicembre anno x + 3
entro I sessione autunnale in corso
II sessione autunnale in corso
II sessione autunnale in corso con
Erasmus e\o stage*
sessione straordinaria in corso
sessione straordinaria in corso con
Erasmus e\o stage*
con Erasmus e\o stage*
1 gennaio - 30 aprile anno x + 4
1 gennaio - 30 aprile anno x + 4
1 maggio – 31 luglio anno x + 4
Tabella 2.3: Punteggi aggiuntivi per le "lauree in corso".
* Solo ordinamento 2014
38
Ottenendo punti
aggiuntivi
6
4
6
2
4
2
Agli iscritti all'ordinamento 2009 che abbiano conseguito crediti formativi universitari all'estero,
verrà assegnato 1 punto se si sono conseguiti almeno 8 CFU, 2 punti se la permanenza è stata
superiore o uguale a 6 mesi e si sono conseguiti almeno 16 CFU. Se durante il periodo di studio
all’estero lo studente non ha conseguito crediti formativi, ma ha altresì svolto un proficuo lavoro per
la redazione della relazione finale, previa dichiarazione del relatore, gli verranno riconosciuti 1 o 2
punti a seconda della lunghezza della sua permanenza. I punti velocità e i punti guadagnati tramite
periodi di studio all’estero possono essere cumulati.
La lode viene assegnata automaticamente dalla Commissione di laurea quando il punteggio
complessivo è maggiore o uguale a 112. Quando il punteggio complessivo è uguale a 109, 110 o
111 e il relatore e il controrelatore unanimemente ravvisano nella prova finale del candidato
particolari elementi di originalità e/o documentata capacità di risolvere problemi concreti in maniera
innovativa, su loro proposta scritta e motivata, la Commissione può assegnare un voto di laurea pari
a 110, se il punteggio complessivo è uguale a 109, e a 110 e lode negli altri due casi.
Laurea magistrale
La prova finale (esame di laurea) consiste nella preparazione di una tesi di laurea (che può
eventualmente basarsi su un lavoro di stage) concordata con un docente (relatore) dei Corsi di
laurea in Scienze Statistiche (si veda l'elenco nel sito http://www.stat.unipd.it/studiare/docenti) e/o
afferente al Dipartimento di Scienze Statistiche (http://www.stat.unipd.it/it/dipartimento/docenti).
Previo consenso del relatore, la tesi di laurea può essere redatta in lingua inglese.
Le date di consegna della relazione finale e della seduta di laurea per la proclamazione sono fissate
all’inizio di ogni Anno Accademico. La consegna della relazione finale è prevista normalmente tre
settimane prima della proclamazione. Si veda la Tabella 2.2 per le date previste nell'A.A. 2016/17.
La relazione finale dovrà essere redatta:
- su fogli formato A4 scritti fronte retro
- con 65/70 caratteri per riga
- con 30/35 righe per pagina (interlinea 1,5 - 2)
- con copertina in cartoncino leggero, di colore carta da zucchero secondo il codice esadecimale
#0093D5 (si veda prototipo frontespizio su http://www.stat.unipd.it/studiare/laurearsi).
Procedura per la consegna della relazione finale
Il docente relatore approva la domanda di laurea in Uniweb.
Lo studente nelle date stabilite dalle Segreterie Studenti compila la domanda di laurea e il
questionario AlmaLaurea via Uniweb e consegna alle Segreterie Studenti il libretto (se non ancora
ritirato). Le date di compilazione e consegna sono visibili sul sito web dell’ateneo
(http://www.unipd.it/target/studenti/laurearsi). Si invitano i laureandi a controllare il sito per
ulteriori chiarimenti.
Lo studente nelle date indicate nel calendario delle sessioni di laurea (circa 21 giorni prima della
discussione) compila la scheda statistica via Moodle (http://didattica.stat.unipd.it), richiede alla
Biblioteca il nulla osta che dimostra di essere in regola con il prestito dei libri, consegna una copia
cartacea della tesi firmata dal docente e sette riassunti della tesi (massimo tre pagine pinzate). La
copia della tesi non sarà restituita ma verrà inviata con il processo di laurea alle Segreterie Studenti,
e sarà conservata presso l’archivio a Legnaro. Entro le scadenze indicate in Tabella 2.2 lo studente
deve anche inviare un file pdf contenente la tesi all'indirizzo [email protected].
39
Lo studente che desidera far consultare la propria relazione finale nell'archivio istituzionale
dell’Ateneo Padua@thesis, deve consegnare in Biblioteca entro le scadenze previste in Tabella 2.2:
•
•
una copia della tesi su CD-ROM con nome e cognome oppure un file in una chiavetta usb.
In alternativa invia una copia della tesi in pdf all’indirizzo [email protected];
la liberatoria per la pubblicazione nell’archivio istituzionale Padua@Thesis scaricabile dal
sito http://bibliotecastatistica.cab.unipd.it/usa-la-biblioteca/modulistica.
Sarà cura dello studente consegnare copia della tesi di laurea al relatore e al controrelatore non
appena pubblicata sul sito del Dipartimento la composizione della Commissione di laurea.
Svolgimento della prova finale
Al momento della consegna della tesi, e comunque entro le date indicate in Tabella 2.2, il docente
relatore segnala alla Segreteria Didattica (anche via e-mail) una lista di possibili controrelatori. Il
relatore deve altresì segnalare se, a suo avviso, la tesi può aspirare ad una valutazione "ottima"
(lode e/o punteggio maggiore o uguale a 7 punti, vedi lo schema di classificazione delle tesi
magistrali e le classi di punteggio). In questo caso, per la discussione della tesi, saranno designati
due controrelatori di cui solo uno verrà reso pubblico agli studenti.
Nei giorni immediatamente successivi alla consegna delle tesi, la Segreteria Didattica provvede a
pubblicare i nomi dei controrelatori delle tesi di laurea e la composizione della Commissione di
laurea che procederà alla discussione delle tesi. La Segreteria Didattica fa pervenire all'eventuale
secondo controrelatore il file pdf della tesi consegnato dallo studente.
Le tesi sono discusse davanti alla Commissione di laurea composta da almeno cinque membri, tra i
quali, salvo cause di forza maggiore, sono inclusi sia il relatore che il controrelatore. Alla
discussione di ogni tesi saranno, mediamente, riservati 30 minuti, dei quali al più 18 riservati alla
presentazione iniziale da parte del candidato.
Valutazione prova finale
Il voto finale della laurea magistrale è costituito dal voto medio degli esami (in caso di 30 e lode il
valore è comunque 30) ponderato con il valore in crediti della relativa attività didattica, espresso in
centodecimi e arrotondato all’intero più vicino, più il punteggio in centodecimi conseguito nella
prova finale.
Alla prova finale è assegnato un punteggio da 0 a 9 punti.
Schema di classificazione delle tesi magistrali e classi di punteggio:
0-2: tesi sufficiente (semplice rassegna tematica; decorose analisi empiriche)
3-4: tesi discreta (tesi compilativa con accurata presentazione; analisi empiriche con obiettivi
limitati ma condotte con metodo e impegno adeguato)
5-6: tesi buona (tesi con apprezzabile approfondimento e risultati di un certo rilievo)
7-9: tesi ottima (analisi originali o complesse o di valutazione critica dei risultati raggiunti)
La lode può essere assegnata dalla Commissione di laurea, che deve esprimersi all’unanimità, su
proposta motivata del relatore, sulla base dell'originalità della tesi, ma solo nel caso in cui il
candidato sia stato segnalato nella fascia di tesi ottima e, sommati i punti attribuiti alla tesi,
raggiunga un punteggio maggiore o uguale a 110.
40
3. Studiare a Scienze Statistiche: l’offerta formativa
3.1 Introduzione
L'attuale ordinamento dell'istruzione universitaria (ex DM 270/04) è articolato su tre livelli. In
particolare, prevede:
- un primo livello, di durata triennale, finalizzato al conseguimento della laurea;
- un secondo livello, di durata biennale, finalizzato al conseguimento della laurea magistrale;
- un terzo livello, di durata triennale, finalizzato al conseguimento del dottorato di ricerca.
Le Università possono inoltre offrire master annuali di primo o di secondo livello (ovvero proposti a
tutti i laureati o solo a chi è in possesso di una laurea magistrale).
Il Dipartimento di Scienze Statistiche dell'Università di Padova eroga corsi di studio di primo,
secondo e terzo livello.
A partire dall’A.A. 2014/15 l'offerta formativa ha subito delle modifiche, orientate alla
revisione e razionalizzazione dei corsi di laurea di primo e secondo livello preesistenti. Sono attivati
due nuovi corsi di laurea triennale e un nuovo corso di laurea magistrale (ordinamento 2014).
Per questi corsi di laurea a partire dall'A.A. 2016/17 sono attivati tutti gli anni di corso,
sostituendo quindi interamente i corsi preesistenti (ordinamento 2009).
3.2 L'offerta formativa di primo livello: lauree (triennali)
I due corsi di Laurea di primo livello attivi nell'A.A. 2016/17 fanno riferimento ad un unico
Consiglio di Corso di Studio aggregato. Ulteriori dettagli sugli organi e le persone coinvolte sono
nella Sezione 1.3.
Agli studenti immatricolati dall'A.A. 2014/15, il Dipartimento di Scienze Statistiche offre due corsi
di laurea (di primo livello), entrambi appartenenti alla classe L-41 delle lauree in Statistica:
•
Statistica per l'Economia e l'Impresa (SEI)
•
Statistica per le Tecnologie e le Scienze (STS)
Per iscriversi a un corso di laurea triennale è necessario essere in possesso di un diploma di scuola
secondaria superiore, o di altro titolo conseguito all'estero, riconosciuto idoneo in base alla
normativa vigente. Inoltre, sebbene l’accesso a questi corsi di laurea sia libero, la normativa
prevede obbligatoriamente una prova di ammissione, dall'esito non vincolante. Si veda, per
maggiori dettagli, la Sezione 2.1.1.
Entrambi i corsi di laurea sono articolati in percorsi alternativi orientati all’inserimento nel mondo
del lavoro, oppure alla successiva iscrizione alla laurea magistrale (percorso metodologico).
Qualunque sia il percorso scelto, alla fine dei tre anni si consegue la laurea triennale ed è possibile
proseguire con la laurea magistrale con adeguati requisiti curriculari e un’adeguata preparazione
personale (si veda la Sezione 2.1.3).
41
La Tabella 3.1 offre una panoramica dei percorsi offerti dai due corsi di laurea.
Corso di Laurea
Percorso
Statistica per l'Economia e l'Impresa
Statistica per le Tecnologie e le Scienze
Marketing
Gestione Impresa
Finanza
Socio-Economico
Metodologico
Big data
Tecnologia
Biostatistica
Metodologico
Tabella 3.1 Corsi di laurea triennali e percorsi offerti (ordinamento 2014).
Il piano degli studi di ciascun corso di laurea comprende attività formative per un numero
complessivo di 180 CFU, che vengono acquisiti secondo il seguente schema:
•
96 CFU relativi ad insegnamenti obbligatori comuni a entrambi i corsi di laurea (Tabella 3.2).
Per ragioni logistiche tali insegnamenti sono sdoppiati. Gli studenti iscritti al primo anno
saranno ripartiti in due gruppi, a seconda che abbiano un numero di matricola pari o dispari,
e seguiranno le lezioni relative al gruppo di appartenenza. In questa maniera è possibile tenere
conto del numero effettivo degli immatricolati e quindi comporre due gruppi di numerosità
comparabile.
Nota importante: l'insegnamento di Istituzioni di analisi matematica è propedeutico a tutti
gli esami del II e III anno di ogni corso di laurea: gli studenti non possono sostenere esami
previsti per il II e III anno se non hanno superato l'esame di Istituzioni di analisi matematica.
L’unica deroga a questo “blocco” riguarda gli studenti che intendano partire con una borsa
Erasmus+ al secondo anno della Laurea di primo livello e sostenere all’estero esami che
figureranno nel loro piano di studio al secondo o terzo anno dei nostri ordinamenti. A tali
studenti è consentito sostenere tali esami all’estero, anche se non hanno ancora superato
l’esame di Istituzioni di analisi matematica.
Insegnamenti obbligatori comuni a tutti i corsi di laurea
Area disciplinare
CFU
Nome insegnamento
Matematica
27
Istituzioni di analisi matematica
Istituzioni di probabilità
Algebra lineare
Informatica
18
Statistica
33
Sistemi di elaborazione 1
Basi di dati 1
Statistica 1
Statistica 2
Modelli statistici 1
Analisi dei dati multidimensionali
Statistica Economica,
Sociale e Demografia
18
Teoria e tecnica dell'indagine statistica e del campionamento
Serie storiche
Tabella 3.2 Ripartizione degli insegnamenti obbligatori comuni a tutti i corsi di laurea per CFU ed area disciplinare.
42
•
27 CFU relativi ad insegnamenti obbligatori specifici per ciascun corso di laurea.
Oltre agli insegnamenti obbligatori comuni ai due corsi di laurea, alcuni insegnamenti
obbligatori caratterizzano lo specifico corso di laurea. Si vedano le sezioni specifiche.
•
27 CFU relativi ad insegnamenti che caratterizzano il percorso scelto all’interno del corso di
laurea di appartenenza.
Ciascun corso di laurea offre diversi percorsi formativi, caratterizzati da specifici insegnamenti.
A seconda del corso di laurea e del percorso scelto, tali insegnamenti sono obbligatori o a scelta
all'interno di un paniere. Si vedano le sezioni specifiche per maggiori dettagli.
•
18 CFU relativi ad altri insegnamenti a scelta libera (Tabella 3.3).
Ulteriori 18 CFU sono destinati ad insegnamenti che lo studente può scegliere tra tutti gli
insegnamenti erogati dall'Ateneo. Si tratta di una opportunità offerta dall’attuale normativa a
tutti gli studenti ed utilizzabile per approfondimenti culturali in svariati ambiti, coerenti con il
proprio percorso formativo. La coerenza degli insegnamenti selezionati con l'intero percorso
formativo sarà soggetta a verifica.
•
12 CFU relativi ad altre attività (Tabella 3.3), quali:
- conoscenza della lingua inglese (3 CFU): i Corsi di Studio in Scienze Statistiche offrono un
corso di lingua inglese appoggiandosi al Centro Linguistico di Ateneo. Informazioni specifiche
si trovano nel sito http://cla.unipd.it/test-linguistici/tal/. Se in possesso di uno dei certificati di
lingua inglese riconosciuti dalla Scuola di Scienze di livello B1 o superiore, rilasciato da non
più di tre anni, gli studenti potranno ottenere la convalida dei 3 CFU, altrimenti associati al
superamento dell'esame di Lingua inglese. La modulistica, la tabella delle equipollenze e le
scadenze previste per la consegna dei documenti sono disponibili nel sito di Scienze Statistiche:
http://www.stat.unipd.it/studiare/riconoscimento-ecdl-e-lingua-inglese.
- stage o tirocinio formativo (6 CFU) e prova finale (3 CFU): la prova finale a conclusione
del corso di laurea consiste nella discussione di un elaborato scritto su un tema concordato con
un docente, o centrato sull'attività di stage svolta presso un'azienda, ente, osservatorio o centro
di ricerca. I laureandi che scelgono di terminare il percorso formativo con un'esperienza di
stage ne concordano preventivamente i contenuti con un referente responsabile per il soggetto
ospitante - incaricato di supervisionare il lavoro del laureando e di guidarlo nell'espletamento
delle attività assegnate - e con il docente relatore, che interviene in veste di tutor didattico. In
alternativa all'attività di stage, gli studenti possono optare per la realizzazione di una relazione
scritta di approfondimento su un tema definito con il docente relatore, che segue il laureando
nello sviluppo concettuale e metodologico degli argomenti ad esso correlati.
Attività
CFU
AF 1 (impartita da Unipd)
9
AF 2 (impartita da Unipd)
9
Lingua inglese
3
Tirocinio formativo (attività per la relazione finale di
Laurea o Stage)
Regola
Paniere
a scelta nel
paniere
paniere di Ateneo
(Coerenti con il
Corso di Studi)
obbligatoria
//
6
3
Prova finale
Tabella 3.3 Insegnamenti a scelta libera e ulteriori attività formative necessarie al completamento del Corso di Studi
43
STATISTICA PER L'ECONOMIA E L'IMPRESA (SEI)
Obiettivi formativi specifici del corso
Il corso di laurea in Statistica per l'Economia e l'Impresa offre una formazione interdisciplinare in
statistica ed economia, con particolare riferimento alle applicazioni in ambito aziendale, per la
gestione operativa delle imprese, e in ambito socio-economico e finanziario, per l'analisi dei
comportamenti individuali e di sistema.
Le attività formative consentono allo studente di acquisire tutte le competenze spendibili, ad
esempio, (i) nelle applicazioni statistiche per l'analisi di mercato e per la misurazione dei fenomeni
di mercato, nelle metodologie della ricerca di mercato e di rilevazione e analisi, della soddisfazione
del cliente; (ii) nella gestione delle imprese, per la conoscenza, il management, il controllo e la
valutazione dei processi aziendali e dei sistemi di gestione della qualità nelle imprese di produzione
e di servizi; (iii) nelle applicazioni della statistica alla finanza; (iv) nelle applicazioni per lo studio
dei fenomeni economici, sociali e demografici, in particolare per quanto riguarda le analisi
quantitative delle scelte e dei comportamenti sociali ed economici.
Conoscenza e capacità di comprensione
Ogni laureato in Statistica per l'Economia e l'Impresa dovrà acquisire:
− Conoscenze di base nelle materie matematiche e informatiche, compresi il calcolo delle
probabilità ed elementi di programmazione. Una conoscenza e comprensione profonda degli
ambiti di base della statistica. Un'adeguata conoscenza delle discipline di base nell'area delle
scienze sociali, in particolare a carattere economico-aziendale ed economico-finanziario,
con particolare attenzione agli aspetti quantitativi.
− Competenze specifiche in uno o più settori applicativi della Statistica, con una particolare
attenzione alle discipline economico-aziendali, economico-finanziarie e sociali sia nella
prospettiva amministrativo-contabile (bilancio, controllo di gestione, finanza aziendale, etc.)
sia in quella strategica-gestionale (strategia, principi di organizzazione aziendale, marketing,
gestione della produzione). In questi ambiti particolare attenzione verrà data alla
presentazione dei metodi e delle tecniche quantitative con particolare riferimento ad
applicazioni nell'ambito della finanza aziendale, della simulazione economico-finanziaria,
dell’analisi di mercato, della statistica aziendale, della ottimizzazione dei processi aziendali.
− Una buona padronanza del metodo della ricerca e delle tecniche quantitative in generale e di
quelle statistico aziendali in particolare; competenze pratiche ed operative, relative alla
misura, al rilevamento ed al trattamento dei dati e delle informazioni a carattere aziendale
con particolare attenzione alle problematiche sottese alla costruzione di scenari previsivi a
breve e medio-lungo termine.
Autonomia di giudizio
Il corso di laurea triennale in Statistica per l'Economia e l'Impresa permette di acquisire i principali
strumenti sia logico-concettuali e metodologici sia pratici e operativi tali da garantire autonomia di
giudizio nello svolgimento del complesso di attività che il laureato sarà preparato a svolgere, quali
la conduzione di indagini statistiche riguardanti problematiche sociali, economiche e aziendali e per
il trattamento informatico di basi di dati. Il Laureato in Statistica per l'Economia e l'Impresa deve
possedere le competenze necessarie a comprendere e prevedere le dinamiche di mercato e il
posizionamento competitivo di un'azienda, trattare grandi basi di dati relative a un portafoglio
clienti, analizzare le vendite ed elaborare previsioni tramite serie storiche, dirigere e realizzare una
ricerca di mercato, formulare valutazioni utili alla progettazione di nuovi prodotti e servizi,
pianificare strategie promozionali, gestire e interpretare dati di budget analizzando e monitorando
gli scostamenti ed elaborando indicatori di performance, mappare i processi aziendali, gestire i
manuali della qualità di aziende ed enti, analizzare portafogli di titoli e serie storiche di dati bancari,
44
sviluppare ricerche in ambito sociale ed economico, pianificare e monitorare interventi di politica
pubblica. Il laureato dovrà, inoltre, avere sviluppato sia l'attitudine a lavorare in gruppo che a
operare con definiti gradi di autonomia.
Abilità comunicative
Al termine del percorso, il laureato in Statistica per l'Economia e l'Impresa dovrà aver fatto propri
adeguate competenze e strumenti per la gestione e la comunicazione dell'informazione, sia agli
specialisti sia ai non specialisti della materia, avendo avuto l'opportunità di approfondire e
consolidare le proprie conoscenze linguistiche e informatiche e di sperimentare un'apertura
internazionale anche attraverso esperienze formative all'estero. Dovrà possedere un'adeguata
conoscenza della cultura organizzativa dei contesti lavorativi ed esprimere quindi le proprie
conoscenze e capacità di comprensione con un approccio professionale alla propria attività.
Capacità di apprendimento
Il laureato in Statistica per l'Economia e l'Impresa dovrà aver sviluppato, grazie alla padronanza dei
contenuti culturali e formativi, la capacità di aggiornarsi continuamente e dunque adattarsi in modo
efficace alle possibili problematiche, e loro mutamenti, caratterizzanti l'ambito professionale.
D'altra parte, il laureato sarà in grado di acquisire i contenuti culturali e formativi necessari per il
proseguimento degli studi in lauree magistrali in statistica, statistica applicata, economia.
Sbocchi occupazionali e competenze previste per i laureati
La collocazione professionale dei laureati in Statistica per l'Economia e l'Impresa può avvenire in
diversi ambiti: aziende di produzione e servizi, aziende commerciali, aziende profit e no profit,
istituti bancari e finanziari, enti pubblici. Coerentemente con i propri interessi e le proprie attitudini,
gli studenti hanno l'opportunità di specializzarsi nelle principali applicazioni statistiche all’analisi di
mercato e alla gestione delle imprese, alla finanza, ai fenomeni sociali. Con queste competenze,
possono trovare collocazione in diverse aree funzionali quali il marketing strategico, l’analisi del
mercato obiettivo, la previsione delle vendite, la ricerca e lo sviluppo, il supporto alla direzione
generale, la pianificazione e il controllo, la certificazione della qualità, la gestione di sistemi
informativi economici, l’analisi delle politiche industriali, del lavoro e territoriali, gli uffici studi, la
promozione finanziaria, l’analisi dei mercati finanziari e dei portafogli di investimenti, la
valutazione della soddisfazione dei clienti o degli utenti, la conduzione di indagini campionarie, le
previsioni demografiche.
La laurea consente molteplici sbocchi professionali, i principali sono:
Analista di bilancio: gestisce le posizioni di credito nell'azienda, valutandone le performance
economico-finanziarie e la restituzione economica dei finanziamenti. Per questa figura sono
richieste le seguenti competenze: conoscenza dei mercati finanziari e dei principali indicatori
economico-finanziari, gestione database.
Statistico a supporto del controllo di gestione: organizza i flussi informativi interni ed esterni
all'azienda per strutturare le funzioni e i processi di impresa, razionalizza la qualità del
prodotto/servizio, realizza la contabilità economica e del sistema produttivo e distributivo aziendale,
redige il bilancio dell'esercizio. Per questa figura sono richieste le seguenti competenze:
programmazione e gestione di database, elaborazione di dati, analisi di dati, indicatori di
performance aziendale, utilizzo di fonti di dati aziendali.
Statistico aziendale: rileva, gestisce e analizza dati statistici, produce indicatori statistici, integra le
statistiche ufficiali con altre prodotte in proprio, specialmente mediante indagini campionarie,
effettua previsioni di vendita. Per questa figura sono richieste le seguenti competenze: gestione di
database, elaborazione di dati, analisi di dati, indicatori di performance aziendale, utilizzo di fonti di
dati aziendali e ufficiali, indagini campionarie.
45
Analista di mercato: svolge funzioni di supporto informativo per l'analisi dei mercati e la
valutazione delle azioni necessarie all'ampliamento delle quote di mercato dell'azienda, per la
valutazione della posizione dell'azienda sul mercato e della customer satisfaction, per l'analisi e la
promozione dell'immagine dell'azienda, per il miglioramento tecnico ed economico della
distribuzione dei prodotti, per il lancio di nuovi prodotti. Per questa figura sono richieste le seguenti
competenze: gestione di database, elaborazione di dati, analisi di dati, data mining, ricerche di
mercato, programmazione di esperimenti, marketing.
Addetto alla pianificazione commerciale: effettua il monitoraggio della rete di vendita e dei
prodotti, gestisce le statistiche sulla clientela, analizza gli andamenti temporali. Per questa figura
sono richieste le seguenti competenze: gestione di database, elaborazione di dati, controllo di
gestione, gestione aziendale.
Operatore alla logistica: si occupa delle strategie di sourcing, ossia la ricerca e la valutazione dei
fornitori, la programmazione e la gestione degli acquisti dei materiali necessari allo svolgimento
delle attività d'impresa, la gestione logistica dei flussi di materiali, sia all'interno, sia all'esterno
dell'azienda. Per questa figura sono richieste le seguenti competenze: gestione di database,
elaborazione di dati, analisi di dati, controllo di gestione, logistica.
Attività previste
Le attività previste possono essere classificate in:
•
insegnamenti obbligatori comuni a tutti i corsi di laurea (Tabella 3.2);
•
insegnamenti obbligatori del corso di laurea (Tabella 3.4);
•
insegnamenti di percorso: allo studente è data l'opportunità di selezionare, nell'ambito del
proprio piano di studi, un percorso didattico tra i seguenti: Marketing, Gestione Impresa,
Finanza, Socio-economico, Metodologico. Ciascun percorso prevede due insegnamenti
obbligatori e un insegnamento a scelta all'interno di un paniere predefinito. La ripartizione
degli insegnamenti obbligatori e a scelta per ciascun percorso è riportata nella Tabella 3.5.
•
insegnamenti a scelta libera e altre attività formative (Tabella 3.3).
Insegnamenti obbligatori del corso di laurea SEI
Area disciplinare
CFU
Nome insegnamento
Economico-aziendale
18
Microeconomia
Economia aziendale
Statistica Economica,
Sociale e Demografia
9
Misura dei fenomeni economici e aziendali
Tabella 3.4: Ripartizione degli insegnamenti obbligatori del corso di laurea SEI per CFU ed area disciplinare.
46
Insegnamenti di percorso SEI
Percorso
Insegnamenti obbligatori
Marketing
Analisi di mercato
Marketing
Gestione Impresa
Metodi statistici per l'azienda
Metodologie e determinazioni
quantitative d'azienda
Economia dei mercati finanziari
Metodi statistici per la finanza
Finanza
Socio-economico
Metodologico
Modelli statistici di comportamento
economico
Popolazione e mutamento socioeconomico
Analisi matematica
Modelli statistici 2
Insegnamenti a scelta (uno nel paniere)
Metodi statistici per Big Data
Modelli statistici di comportamento
economico
Popolazione e mutamento socio-economico
Controllo statistico della qualità
Ingegneria della qualità
Marketing
Macroeconomia
Matematica finanziaria
Statistica computazionale
Politica economica
Statistica sociale
Analisi di mercato
Economia dei mercati finanziari
Marketing
Metodi statistici per l'azienda
Metodi statistici per la finanza
Metodologie e determinazioni quantitative
d'azienda
Modelli statistici di comportamento
economico
Politica economica
Popolazione e mutamento socio-economico
Statistica sociale
Tabella 3.5: Insegnamenti obbligatori e a scelta nel percorso
STATISTICA PER LE TECNOLOGIE E LE SCIENZE (STS)
Obiettivi formativi specifici del corso
Il corso di laurea in Statistica per le Tecnologie e le Scienze fornisce una formazione
interdisciplinare di statistica, matematica e informatica, con approfondimenti verso i più recenti
avanzamenti nelle tecnologie dell’informazione e le moderne tecniche di acquisizione online di dati.
Gli ambiti applicativi di interesse sono molteplici e vanno da quelli tecnologico-sperimentali a
quello medico, biologico, sanitario e ambientale. Le attività formative consentono allo studente di
acquisire tutte le competenze spendibili, ad esempio, (i) nelle applicazioni della statistica al
controllo della qualità di prodotti e servizi e alla valutazione della capacità dei processi produttivi;
(ii) nella gestione informatica e nell’analisi statistica di big data; (iii) nella progettazione di
algoritmi e strutture di dati, nonché dell’architettura e programmazione di sistemi informatici; (iv)
nelle applicazioni della statistica all’analisi di dati provenienti da studi osservazionali e sperimentali
tipici dell’epidemiologia e della ricerca clinica.
Conoscenza e capacità di comprensione
Ogni laureato in Statistica per le Tecnologie e le Scienze dovrà acquisire:
− Conoscenze di base dell'analisi matematica, dell'algebra lineare, del calcolo delle probabilità
e della ricerca operativa.
47
− Conoscenze di algoritmi, strutture dati elementari, struttura hardware del calcolatore.
Rappresentazione delle informazioni di base. Conoscenze di linguaggi di programmazione,
progettazione concettuale, progettazione logica.
− Conoscenze approfondite di statistica descrittiva. Elementi di inferenza statistica. Inferenza
di verosimiglianza. Modelli lineari, di regressione logistica e di Poisson. Modelli per le
scienze sperimentali. Tecniche di riduzione della dimensionalità e di classificazione.
Tecniche di campionamento e disegno di indagini statistiche. Tecniche di statistica
computazionale.
− Competenze specifiche in uno o più settori applicativi della Statistica, con una particolare
attenzione ai metodi statistici per la sperimentazione in ambito biomedico e tecnologico, ai
metodi di controllo statistico della qualità e certificazione. Conoscenza del disegno di studi
osservazionali in ambito epidemiologico. Misure di occorrenza e rischio, concetto di
causalità, confondente e modificatore di effetto. Studi biodemografici con particolare
interesse per gli aspetti della riproduzione e della sopravvivenza. Metodi statistici per
l'analisi di moli di dati provenienti dal web. Tecniche avanzate di analisi statistica
multivariata.
Autonomia di giudizio
Il Corso di Laurea in Statistica per le Tecnologie e le Scienze mira a fornire gli strumenti per
sviluppare competenze teoriche, pratiche e operative tali da garantire autonomia di giudizio nello
svolgimento del complesso di attività che il laureato sarà preparato a svolgere, quali la misura, la
rilevazione, il trattamento di dati anche in presenza di molte variabili e grandi moli di dati. Su
questi, il laureato deve essere in grado di intervenire con attività di pulizia, riorganizzazione, analisi
e interpretazione critica, elaborando e comunicando coerentemente i risultati delle proprie
elaborazioni.
I laureati dovranno, inoltre, aver sviluppato sia l'attitudine a lavorare in gruppo sia a operare con
definiti gradi di autonomia, adattandosi così a nuove problematiche dei diversi contesti in cui si
troveranno ad operare (siano queste connesse al mondo professionale o al proseguimento degli
studi).
Abilità comunicative
Al termine del percorso formativo i laureati in Statistica per le Tecnologie e le Scienze dovranno
possedere adeguati strumenti per una chiara ed organica presentazione e comunicazione della
propria analisi sia agli specialisti, sia ai non specialisti, dimostrando una buona capacità di gestire il
confronto con professionisti ed esperti anche di altri ambiti disciplinari.
Tutti gli studenti sono tenuti a sostenere una prova di conoscenza di almeno una lingua straniera
europea, di norma l'inglese, e potranno approfondire o consolidare le proprie abilità linguistiche
anche attraverso esperienze formative all'estero. I laureati in Statistica per le Tecnologie e le
Scienze dovranno altresì possedere un'adeguata conoscenza della cultura organizzativa dei contesti
lavorativi ed esprimere quindi le loro conoscenze e capacità di comprensione con un approccio
professionale alla propria attività.
Capacità di apprendimento
I laureati in Statistica per le Tecnologie e le Scienze dovranno aver sviluppato, grazie alla
padronanza dei contenuti culturali e formativi, la capacità di aggiornarsi continuamente e dunque
adattarsi in modo efficace alle possibili problematiche o mutamenti caratterizzanti il mondo
professionale. D'altra parte i laureati in Statistica per le Tecnologie e le Scienze sono in grado di
acquisire i contenuti culturali e formativi necessari per il proseguimento degli studi in lauree
magistrali in statistica applicata agli ambiti della ricerca sperimentale (sia tecnologica sia
biomedica) e del Total Quality Management.
48
Sbocchi occupazionali e professionali previsti per i laureati
Al laureato in Statistica per le Tecnologie e le Scienze è richiesto di svolgere analisi statistiche in
diverse aree della datascience, dall'information technology, alla ricerca e sviluppo, al total quality
management, al supporto alla ricerca e alla programmazione in ambito tecnologico, biomedico e
sanitario. Il laureato può operare in enti o istituti pubblici e privati, aziende di produzione e servizi,
aziende commerciali, aziende profit e no-profit, istituti bancari e finanziari, società di consulenza,
aziende farmaceutiche, istituti di ricerca biomedica, studi professionali, laboratori. Il laureato in
Statistica per le Tecnologie e le Scienze ha le seguenti competenze specialistiche: elaborazione e
analisi dei dati, conoscenza e utilizzo dei principali modelli statistici, tecniche computazionali,
metodi di ottimizzazione, gestione e analisi di basi di dati anche ampie, tecniche di sorveglianza
della qualità di processi e servizi, certificazione della qualità, metodi statistici per l'analisi di dati
provenienti da studi osservazionali e sperimentali tipici dell'epidemiologia e della ricerca clinica.
Inoltre, deve possedere le seguenti competenze trasversali: stesura di progetti e relazioni, capacità di
lavoro in team, presentazione in pubblico.
La laurea consente molteplici sbocchi professionali. I principali sono i seguenti:
Tecnico del controllo di qualità. Svolge funzioni di controllo della produzione e di miglioramento
della qualità dei prodotti, valuta la qualità delle materie prime e dei semilavorati che entrano o
escono dall'azienda, misura l'affidabilità dei processi, gestisce informazioni e fornisce supporto alle
attività che portano alla certificazione dei processi produttivi. Per questa figura sono richieste le
seguenti competenze: conoscenza delle tecniche statistiche per il controllo della qualità, della
certificazione e la capacità di analizzare ed elaborare dati.
Statistico medico. Ha funzioni di supporto informatico e metodologico allo studio sperimentale di
fenomeni medico-clinici o biologici e alla valutazione dell'effetto di nuovi farmaci. Per questa
figura sono richieste le seguenti competenze: progettazione e disegno di esperimenti in ambito
clinico e farmacologico, analisi ed elaborazione di dati, analisi di fenomeni sequenziali, analisi della
sopravvivenza di gruppi di popolazione.
Statistico sanitario/epidemiologo. Conduce analisi sull'attività e il funzionamento delle strutture
sanitarie per la valutazione della loro qualità e organizzazione, programma e realizza indagini
statistiche per valutare la qualità percepita dagli assistiti e dai familiari, supporta la stesura di piani
sanitari territoriali, produce indicatori statistici normativi previsti dalle disposizioni ministeriali e
regionali in ambito sanitario. L'epidemiologo analizza la mortalità e la distribuzione delle malattie
nella popolazione e ne studia i fattori di rischio. Per questa figura sono richieste le seguenti
competenze: gestione di basi di dati, analisi ed elaborazione di dati, costruzione di indicatori,
utilizzo di fonti di dati ufficiali, indagini campionarie.
Statistico ambientale. Analizza dati ambientali, partecipa alla progettazione e dislocazione di reti
per il monitoraggio ambientale, crea e alimenta sistemi di indicatori. Applica piani di
campionamento per la verifica degli standard di qualità delle risorse ambientali ed elabora indicatori
per la valutazione dell'impatto ambientale di opere. Per questa figura sono richieste le seguenti
competenze: progettazione e disegno di rilevazioni campionarie, analisi ed elaborazione di dati,
analisi di serie temporali e spaziali.
Tecnico in decision support system. Costruisce e gestisce il sistema informativo statistico di
supporto alle decisioni aziendali, di enti pubblici e istituti di ricerca. Svolge funzioni di
programmatore/consulente informatico. Combina competenze statistiche e informatiche
rappresentando una figura professionale sempre più richiesta sul mercato del lavoro (data scientist).
Per questa figura sono richieste le seguenti competenze: organizzazione di grandi moli di dati,
impiego di pacchetti statistici, organizzazione ed elaborazione di flussi informativi, elaborazione di
algoritmi, programmi informatici e modelli per la gestione e l'ottimizzazione di sistemi informativi
in campi applicativi diversi.
49
Attività previste
Le attività previste possono essere classificate in:
•
insegnamenti obbligatori comuni a tutti i corsi di laurea (Tabella 3.2);
•
insegnamenti obbligatori del corso di laurea (Tabella 3.6);
•
insegnamenti di percorso: allo studente è data l'opportunità di selezionare, nell'ambito del
proprio piano di studi, un percorso didattico tra i seguenti: Big data, Tecnologia, Biostatistica,
metodologico. I primi tre percorsi prevedono tre insegnamenti obbligatori; il percorso
Metodologico prevede due insegnamenti obbligatori e un insegnamento a scelta all'interno di
un paniere predefinito. La ripartizione degli insegnamenti obbligatori e a scelta per ciascun
percorso è riportata nella Tabella 3.7.
•
insegnamenti a scelta libera e altre attività formative (Tabella 3.3).
Insegnamenti obbligatori del corso di laurea STS
Area disciplinare
CFU
Nome insegnamento
Matematica
9
Ottimizzazione: metodi e modelli
Statistica
18
Modelli statistici applicati
Statistica computazionale
Tabella 3.6: Ripartizione degli insegnamenti obbligatori del corso di laurea STS per CFU ed area disciplinare.
Insegnamenti di percorso STS
Percorso
Insegnamenti obbligatori
Big data
Basi di Dati 2
Metodi statistici per i Big Data
Sistemi di elaborazione 2
Controllo statistico della qualità
Ingegneria della qualità
Sistemi di elaborazione 2
Biodemografia
Metodi statistici per l'epidemiologia
Statistica medica
Analisi matematica
Modelli statistici 2
Tecnologia
Biostatistica
Metodologico
Tabella 3.7: Insegnamenti obbligatori e a scelta nel percorso
50
Insegnamenti a scelta
//
//
//
Uno a scelta nel paniere:
Basi di dati 2
Biodemografia
Controllo statistico della
qualità
Ingegneria della qualità
Metodi statistici per big data
Metodi statistici per
l'epidemiologia
Sistemi di elaborazione 2
Statistica medica
3.3 L'offerta formativa di secondo livello: laurea magistrale in SCIENZE STATISTICHE
Il Dipartimento di Scienze Statistiche offre un corso di laurea magistrale in Scienze Statistiche
(SSTAT), appartenente alla classe L-82, di durata biennale. Il corso di Laurea magistrale attivo
nell'A.A. 2016/17 fa riferimento al relativo Consiglio di Corso di Studio. Ulteriori dettagli sugli
organi e le persone coinvolte sono illustrati nella Sezione 1.3.
L'ammissione al corso di laurea magistrale in Scienze Statistiche è condizionata al soddisfacimento
di requisiti minimi e al possesso di specifiche conoscenze personali come descritto nella Sezione
2.1.3.
Obiettivi formativi specifici del corso
Il corso di laurea magistrale in Scienze Statistiche si configura come un vero e proprio corso di
laurea in “Data Science” formando figure di elevata professionalità nella gestione e l'analisi dei
dati. Questo corso di laurea fornisce solide competenze sia tecniche che sostantive, che consentono
di utilizzare teorie e tecniche statistiche nella raccolta, analisi e sintesi di informazioni, nella
definizione di modelli utili per interpretare le grandi quantità di dati oggi disponibili,
nell’individuazione di soluzioni statistiche adatte ai vari settori della produzione di beni e servizi.
Come indicato nei requisiti di accesso, l’iscrizione al corso di laurea magistrale in Scienze
Statistiche richiede solide conoscenze pregresse di matematica e di statistica. Da questo punto di
partenza, il corso di laurea magistrale propone l'acquisizione di una ulteriore formazione di base,
finalizzata ad approfondire da una parte le conoscenze di calcolo delle probabilità, modellazione
stocastica e teoria della statistica, dall’altra gli strumenti, i metodi e i modelli per l’analisi di dati in
diversi contesti applicati.
Tali basi comuni sono necessarie alla successiva preparazione specializzata, articolata
nell'acquisizione di ulteriori competenze, sia di metodo sia sostantive. Ogni studente magistrale di
Scienze Statistiche potrà orientare la propria specializzazione verso diversi ambiti. Infatti, oltre ad
una principale, solida preparazione nelle materie statistiche e di data science, si propone allo
studente di scegliere almeno una materia da approfondire di ambito non statistico, come ad esempio
quello sociale e demografico, economico e finanziario, aziendale e di marketing, tecnologico,
biologico, medico, ecc.
Conoscenza e capacità di comprensione
Il laureato magistrale in Scienze Statistiche possiede un'ottima padronanza della metodologia
statistica e probabilistica, sia dal punto di vista teorico che applicativo. Conosce inoltre le tecniche e
gli strumenti per l'analisi dei dati (data science) e per estrarre informazioni utili da insiemi, anche
grandi, di dati. Possiede solide conoscenze e capacità di comprensione nella costruzione e
nell'impiego di modelli adeguati a vari contesti applicativi. Ulteriori conoscenze sono connesse
all'ambito che lo studente sceglie di approfondire. In particolare lo studente può acquisire
competenze specifiche nelle discipline di base di uno o più settori applicativi della statistica e della
scienza dei dati, quali ad esempio le discipline economico-aziendali, finanziarie, informatiche,
tecnologiche, biologiche, mediche, sociali, demografiche, o in qualsiasi altro ambito in cui dati
necessitano di essere trasformati per divenire conoscenza. Nel complesso il laureato magistrale in
Scienze Statistiche sa adottare procedure orientate alla soluzione di problemi complessi grazie
all'impiego di appropriate tecniche statistiche e di analisi di dati. È preparato ad affrontare problemi
reali, concependo e gestendo l'intero processo che conduce alla scelta di metodi statistici e di data
science appropriati ed efficaci. Inoltre, acquisisce le competenze necessarie per progettare e gestire
in autonomia strumenti per la rilevazione, l'utilizzo, la gestione di dati e la loro comunicazione. Al
termine del percorso formativo, il laureato magistrale possiede strumenti e competenze per la
costruzione, la gestione, la valutazione, l'interpretazione e l'adeguata comunicazione di informazioni
e ha sviluppato la capacità di lavorare in gruppo, dimostrando attitudine al confronto
51
interdisciplinare con professionisti, specialisti e non specialisti della materia. Tale percorso di laurea
magistrale è finalizzato a sviluppare una preparazione interdisciplinare, che consente al laureato di
operare efficacemente in svariati contesti lavorativi e di ricerca.
Autonomia di giudizio
Il laureato magistrale in Scienze Statistiche sarà in grado di valorizzare al massimo la preparazione
ricevuta per porsi in modo autonomo davanti ai problemi statistici e di analisi di dati, concependo e
gestendo dall'inizio alla fine tutto il procedimento di data science che porta allo sfruttamento pieno
del metodo statistico per la risoluzione di problemi. Inoltre, acquisirà competenze (anche
trasversali) necessarie alla progettazione e gestione, in piena autonomia, di strumenti per la
rilevazione, l'utilizzo e l'esposizione di dati.
Abilità comunicative
Il laureato magistrale in Scienze Statistiche sarà in grado di utilizzare efficacemente in forma scritta
e orale almeno una lingua dell'Unione Europea, in aggiunta all'italiano, nell'ambito specifico di
competenza e per lo scambio di informazioni generali.
Al termine del percorso formativo il laureato possiederà strumenti e competenze per l'adeguata
comunicazione dei risultati delle sue analisi e della conoscenza che ne deriva e avrà sviluppato la
capacità di lavorare in gruppi formati da professionisti, specialisti e non specialisti della materia.
Capacità di apprendimento
La preparazione fornita dal corso di laurea in Scienze Statistiche consentirà, anche, ai laureati di
accedere con successo alla formazione di terzo ciclo in ambito statistico-metodologico, statisticoapplicato, demografico, biologico, economico-finanziario: corsi di dottorato di ricerca; corsi di
specializzazione; corsi di perfezionamento; corsi di alta formazione permanente e ricorrente
finalizzati al rilascio del diploma di master di II livello.
Diversamente, entrando direttamente nel mercato del lavoro, saranno in grado di aggiornarsi
autonomamente, sia facendo propri i nuovi sviluppi della loro specializzazione, sia acquisendo
rapidamente – se necessario – le abilità connesse a discipline contigue. In altre parole, l’approccio
metodologico unificante del corso di laurea magistrale li metterà in grado di aver successo anche in
altri ambiti disciplinari dove il metodo statistico viene applicato e sviluppato.
Sbocchi occupazionali e professionali previsti per i laureati
Il corso di laurea magistrale in Scienze Statistiche offre un percorso formativo mirato a promuovere
un pronto ed efficace inserimento dei laureati nel mondo del lavoro, ma anche alla preparazione di
studenti che proseguono gli studi universitari e intendono accedere a una formazione superiore,
quale il dottorato. La collocazione professionale dei laureati magistrali in Scienze Statistiche può
avvenire in diverse aree.
La richiesta nelle più svariate aree di statistici e data scientist è, al giorno d’oggi, tra le più elevate,
sia nell’orizzonte nazionale che internazionale. Ne danno testimonianza non solo la continua
richiesta di laureati magistrali in Scienze Statistiche da parte del tessuto produttivo veneto e
nazionale che i laureati di Padova non riescono numericamente a soddisfare, ma anche la quasi
totalità delle classifiche nazionali e internazionali sulle attività lavorative più richieste e
maggiormente remunerate: scienze statistiche e data science (che di fatto ne è solo la traduzione in
inglese) sono ormai da una decina d’anni (e si prevede per molto ancora) stabilmente ai primissimi
posti.
L’esperienza di quasi cinquant’anni di formazione nelle scienze statistiche e nell’analisi dei dati del
Dipartimento di Scienze Statistiche dell’Università di Padova ha insegnato che qualsiasi sia
l’indirizzo o il percorso di studi scelto dallo studente, la formazione di base, la forma mentis e le
capacità di analisi e di interpretazione dei dati sono sostanzialmente analoghe tra i laureati
52
magistrali. Le aziende e il mercato del lavoro richiedono un laureato magistrale in scienze
statistiche (cioè un data scientist), preferibilmente a Padova, a prescindere dall’indirizzo di studi. Si
suggerisce quindi di seguire, nella scelta delle materie di studio e dei percorsi, le proprie
inclinazioni ed interessi personali più che privilegiare materie che sembrano maggiormente richieste
nel mercato del lavoro.
I laureati magistrali in Scienze Statistiche possono trovare una propria collocazione nelle aziende
private, istituti bancari, assicurativi e finanziari, nelle SIM (Società di Intermediazione Mobiliare),
nelle SGR (Società di Gestione del Risparmio), presso le autorità di controllo e regolazione dei
mercati (ad esempio, CONSOB, ISVAP, Autorità garante della concorrenza del mercato), in società
di consulenza manageriale, aziendale o finanziaria, nella Pubblica Amministrazione (ad esempio
Regioni, Provincie e Comuni, ASL e Aziende sanitarie, enti previdenziali, ISTAT, altri enti del
SISTAN, Banca d'Italia, Eurostat, OCSE), in istituti di ricerca e centri di ricerca sperimentale. In
definitiva in qualunque contesto del tessuto produttivo nazionale e internazionale.
Un laureato magistrale in Scienze Statistiche, che si sia dedicato principalmente a studi sociodemografici, è in grado di operare con un buon livello di autonomia nella realizzazione e
progettazione di indagini demoscopiche; nella progettazione di sistemi informativi e basi integrate
di dati socio-sanitari; in studi quantitativi sulla diffusione di problematiche sociali e sanitarie;
nell'elaborazione di previsioni di comportamenti e di caratteristiche strutturali della popolazione nel
complesso e nei suoi segmenti; in studi di fattibilità per tipologie di servizi socio-sanitari; nella
valutazione di impatto di interventi. Può occuparsi di produzione e analisi di dati sul funzionamento
delle strutture, sia pubbliche che private, con particolare attenzione alla qualità organizzativa, alle
dinamiche dei centri di costo, alla rilevazione della qualità percepita dei servizi, contribuendo così
alla definizione, al monitoraggio e alla valutazione di efficaci strategie organizzative e produttive.
Può anche essere impiegato come ricercatore sociale, con un taglio quantitativo, orientato in
particolare all'analisi delle politiche di welfare, alla previsione a breve o medio termine di
contingenti di popolazione (effettivi scolastici, forze di lavoro, gruppi a rischio di salute), allo
studio della stratificazione delle disuguaglianze e della mobilità sociale e all’analisi di reti sociali.
Il laureato che abbia optato per studi più orientati all'analisi economico-finanziaria ottiene una
preparazione idonea ad assumere incarichi di responsabilità in campo statistico ed economico, che
prevedano lo svolgimento di compiti di analisi, previsione, progettazione e decisione in contesti
lavorativi pubblici, privati e di ricerca. È in grado di impostare analisi di dati aziendali e finanziari,
attraverso le quali pervenire alla costruzione di modelli utili a spiegare i fenomeni oggetto di studio,
individuare e valutare l'importanza delle variabili o dei fattori rilevanti, simulare i comportamenti e
offrire soluzioni rendendo evidenti i connessi livelli di rischio. Tali conoscenze e abilità sono
applicabili sia nel settore finanziario e assicurativo, sia nelle aziende di produzione e di servizi, sia
presso osservatori o centri di sperimentazione e di ricerca attivi in ambito socio-economico.
Chi è maggiormente interessato alle applicazioni aziendali, si configurerà come un esperto capace
di operare nei contesti aziendali come analista di marketing, ed esperto di marketing strategico,
come controller o analista di bilancio, o in ogni altro ambito che richieda analisi di dati in azienda.
Si può occupare, con un elevato grado di autonomia, di ricerche di mercato e di attività di product
planning. Può lavorare altresì negli uffici statistici, e di customer care, nelle divisioni risorse
umane, ad esempio per l'implementazione di azioni di labour cost management, e nei sistemi
informativi di imprese private ed enti pubblici, negli uffici di pianificazione e controllo di gestione.
Rimanendo in ambito aziendale, chi è maggiormente interessato agli aspetti tecnologici è in grado
di integrare la conoscenza del metodo statistico e delle tecnologie informatiche con quella della
trasmissione, organizzazione e fruizione di dati complessi, trovando sbocchi professionali nelle
divisioni tecniche o nell'information technology, nella ricerca e sviluppo, nel total quality
management, ad esempio come coordinatore del controllo della qualità e dell'affidabilità della
produzione.
53
I laureati magistrali in Scienze Statistiche maggiormente interessati ad applicazioni finanziarie
possono operare nel risk management (come consulente finanziario, statistico finanziario, esperto di
analisi e previsioni finanziarie) e svolgere attività di analisi dei mercati finanziari, di valutazione
quantitativa del rischio associato all'investimento produttivo e/o finanziario, di definizione delle
politiche di allocazione delle risorse finanziarie e di differenziazione dei prodotti e dei rischi
finanziari.
Chi si è orientato verso lo studio della biostatistica, sarà in grado di coniugare la conoscenza
approfondita del metodo statistico e delle tecnologie informatiche con una adeguata conoscenza
delle basi della biologia e della genetica che gli potranno consentire di trovare sbocchi professionali
in centri di ricerca e in aziende di tipo farmaceutico, grazie all’acquisita capacità di interagire con
biologi e genetisti. In questo caso, il laureato magistrale in Scienze Statistiche potrà svolgere
mansioni qualificate nella ricerca e nella programmazione in ambito biologico, biomedico e
sanitario.
Attività previste
Il piano di studi relativo alla Laurea Magistrale in Scienze Statistiche ha durata biennale e prevede
11 o 12 esami, per un totale di 120 CFU.
Le attività previste possono essere classificate come segue:
•
insegnamenti obbligatori comuni (45 CFU)
Un tronco comune composto da 5 insegnamenti, che forniscono un bagaglio di conoscenze
metodologiche e applicative comuni a tutti gli iscritti alla Laurea Magistrale. Tali insegnamenti
sono riportati nella Tabella 3.8.
Nota: Calcolo delle probabilità e Statistica progredito sono propedeutici agli esami cosiddetti
“major” del II anno del corso di laurea magistrale (Tabella 3.9): gli studenti non possono
sostenere esami “major” previsti per il II anno – neppure in modo informale, rimandando la
registrazione - se non hanno superato tali esami.
Insegnamenti obbligatori comuni
Nome insegnamento
Calcolo delle probabilità(*)
Analisi dei dati (Data Mining)
Statistica progredito(*)
Modelli statistici per dati economici
Modelli statistici per dati sociali
Area disciplinare
Matematica
Statistica
Statistica Economica, Sociale e
Demografia
CFU
9
18
18
Tabella 3.8: Insegnamenti obbligatori, comuni a tutti i percorsi della Laurea Magistrale in SSTAT.
(*) Insegnamenti propedeutici a tutti gli esami di materie statistiche del secondo anno
•
insegnamenti di materie statistiche (major) (27 CFU)
Un insieme composto da almeno tre insegnamenti (per un minimo di 27 CFU) selezionati
all'interno di un paniere di materie erogate dal Dipartimento di Scienze Statistiche (si veda la
Tabella 3.9). Questi insegnamenti consolidano la preparazione in metodologie quantitative e in
strumenti e metodi di analisi dei dati. Prendendo in prestito la terminologia dall’ambiente
anglo-sassone, questi insegnamenti assieme al tronco comune permettono al laureato di avere
una preparazione principale in materie di data science e di scienze statistiche. In questo senso è
da intendersi il termine “major” associato a questo paniere.
54
Paniere di materie statistiche (major)
Nome insegnamento
CFU
Analisi di dati in finanza
Biostatistica computazionale e bioinformatica
Metodi e modelli statistici per la finanza
Metodi statistici per il marketing
Metodi statistici per l'inferenza causale
Statistica computazionale progredito
Statistica iterazione
Statistica medica ed epidemiologia progredito
Statistica per la tecnologia e l'industria
Statistical models(*)
Strumenti statistici per l'analisi di dati aziendali
Temi e metodi di popolazione e società
Teoria e modelli demografici
Theory and methods of inference(*)
9
9
9
9
9
9
9
9
9
9
9
9
9
9
Tabella 3.9 Paniere major
(*) Insegnamento valido anche per il Dottorato in Scienze Statistiche
•
insegnamenti di materie non statistiche (minor) (18 CFU)
Un insieme composto da due o tre insegnamenti (per un minimo di 18 CFU) selezionati
all'interno di un paniere di materie in cui gli strumenti statistici vengono utilizzati e quindi
principalmente erogate da altri Dipartimenti dell’Ateneo (si veda la Tabella 3.10). Anche in
questo caso con terminologia anglo-sassone, la scelta di 18 CFU in un ambito applicativo della
statistica permette allo studente di conseguire un preparazione secondaria (“minor”, non quindi
nel senso di minore qualità o difficoltà, ma secondaria rispetto alla preparazione principale in
materie statistiche) in una materia diversa dal data science e dalle scienze statistiche.
Gli studenti interessati ad approfondire aspetti relativi a materie non presenti nel paniere in
Tabella 3.10, possono comporre un piano di studi libero selezionando gli insegnamenti di
interesse per almeno 18 CFU purché appartenenti ai settori scientifici disciplinari presenti nelle
Tabelle 3.11a e 3.11b, e considerati coerenti dalla Commissione Pratiche Studenti.
Gli studenti che per qualche motivo hanno già competenze applicative adeguate, o che non
intendono avvalersi dell’opportunità di apprendere competenze su materie diverse dalla
statistica, possono scegliere un piano libero di studi in cui anche i 18 CFU previsti per materie
non statistiche vengano coperti da materie erogate dal Dipartimento di Scienze Statistiche.
I piani di studio composti al di fuori dei percorsi formativi standard (tre insegnamenti dal
paniere major e due dal paniere minor) saranno comunque soggetti ad approvazione della
Commissione Pratiche Studenti (si veda Sezione 2.3.1).
•
insegnamento a scelta libera (9 CFU)
Un insegnamento da 9 CFU può essere scelto liberamente tra tutti gli insegnamenti erogati
dall'Ateneo, coerentemente con il resto della formazione.
•
altre attività (21 CFU)
Completano i 120 CFU del percorso magistrale altre attività: la tesi di laurea magistrale (20
CFU) e tirocinio formativo (1 CFU). Si veda la Tabella 3.12.
55
Paniere di materie non statistiche (minor)
Nome insegnamento
CFU
Advanced mathematics for statistics(*)
Algoritmi per la bioinformatica
Apprendimento automatico
Bioimmagini
Calcolo numerico
Computational finance
Demografia storica
Economia e gestione delle imprese
Economia sanitaria
Elaborazione di dati, segnali e immagini biomediche
Environmental impact and life cycle assessment
Famiglie, genere, pluralismi
Finanza matematica
Ingegneria della qualità
Intelligenza artificiale
Introduzione alla biologia
Marketing quantitativo
Marketing (progredito)
Ottimizzazione stocastica
Personal finance
Processi stocastici
Sistemi informativi
Storia economica (integrato) (**)
9
6
6
6
6
9
6
6
6
6
6
6
6
9
9
9
9
9
9
9
9
6
6 (9)
Tabella 3.10 Paniere minor
(*) Insegnamento valido anche per il Dottorato in Scienze Statistiche
(**) È possibile sostenere uno fra gli esami di Storia economica, 6 CFU, o Storia economica integrato, 9 CFU.
Settori scientifico-disciplinari da cui è possibile attingere insegnamenti “minor”
Codice settore
Settore
BIO/06
BIO/07
BIO/10
BIO/11
BIO/13
BIO/18
BIO/42
CHIM/02
CHIM/03
CHIM/07
FIS/01
FIS/02
FIS/03
FIS/04
FIS/05
FIS/06
Anatomia comparata e citologia
Ecologia
Biochimica
Biologia molecolare
Biologia applicata
Genetica
Igiene generale e applicata
Chimica fisica
Chimica generale e inorganica
Fondamenti chimici delle tecnologie
Fisica sperimentale
Fisica teorica, modelli e metodi matematici
Fisica della materia
Fisica nucleare e subnucleare
Astronomia e astrofisica
Fisica per il sistema terra e per il mezzo circumterrestre
Tabella 3.11a: Settori scientifico-disciplinari da cui è possibile attingere insegnamenti “minor” (prima parte)
56
Settori scientifico-disciplinari da cui è possibile attingere insegnamenti “minor”
Codice settore
Settore
FIS/07
ICAR/03
INF/01
ING-IND/35
ING-INF/04
ING-INF/05
ING-INF/06
ING-INF/07
M-FIL/02
M-FIL/03
M-PSI/03
M-PSI/05
M-STO/05
MAT/02
MAT/03
MAT/05
MAT/06
MAT/07
MAT/08
MAT/09
MED/01
SECS-P/01
SECS-P/02
SECS-P/03
SECS-P/05
SECS-P/06
SECS-P/07
SECS-P/08
SECS-P/09
SECS-P/10
SECS-P/11
SECS-P/12
SECS-S/01
SECS-S/02
SECS-S/03
SECS-S/04
SECS-S/05
SECS-S/06
SPS/07
SPS/08
SPS/09
SPS/10
Fisica applicata (a beni culturali, ambientali, biologia e medicina)
Ingegneria sanitaria-ambientale
Informatica
Ingegneria economico-gestionale
Automatica
Sistemi di elaborazione delle informazioni
Bioingegneria elettronica e informatica
Misure elettriche e elettroniche
Logica e filosofia della scienza
Filosofia morale
Psicometria
Psicologia sociale
Storia delle scienze e delle tecniche
Algebra
Geometria
Analisi matematica
Probabilità e statistica matematica
Fisica matematica
Analisi numerica
Ricerca operativa
Statistica medica
Economia politica
Politica economica
Scienza delle finanze
Econometria
Economia applicata
Economia aziendale
Economia e gestione delle imprese
Finanza aziendale
Organizzazione aziendale
Economia degli intermediari finanziari
Storia economica
Statistica
Statistica per la ricerca sperimentale e tecnologica
Statistica economica
Demografia
Statistica sociale
Metodi matematici dell’economia e delle scienze attuariali e finanziarie
Sociologia generale
Sociologia dei processi culturali e comunicativi
Sociologia dei processi economici e del lavoro
Sociologia dell’ambiente e del territorio
Tabella 3.11b: Settori scientifico-disciplinari da cui è possibile attingere insegnamenti “minor” (seconda parte)
Ulteriori attività formative necessarie al completamento del Corso di Studi
Attività
Insegnamento a scelta libera (coerente)
Tirocinio Formativo e di Orientamento
Prova Finale
CFU
Regola
Paniere
9
1
20
a scelta libera
obbligatorio
obbligatorio
paniere di Ateneo
Tabella 3.12: Ulteriori attività necessarie al completamento del Corso di Studi
57
Tirocinio formativo
Il tirocinio formativo consiste nella frequenza di un corso di formazione sulle competenze
trasversali. Il Consiglio di Corso di Studio ha deliberato che gli studenti possono scegliere se
conseguire il CFU del tirocinio formativo nelle seguenti modalità:
a) Seguendo il modulo a frequenza obbligatoria sulla Scrittura scientifica di una tesi di laurea,
organizzato dal Dipartimento di Scienze Statistiche in collaborazione con la Biblioteca di Scienze
Statistiche “Bernardo Colombo”. Tale corso è erogato tre volte l'anno e ha una durata di 3 lezioni
per 6/7 ore complessive. Il corso può essere frequentato in qualsiasi momento del percorso biennale.
b) Frequentando il percorso formativo esperienziale Soft Skills in Action organizzato da
Confindustria Padova e Niuko Innovation and Knowledge S.r.l., in collaborazione con il Collegio
Universitario Don Nicola Mazza. Tale corso è erogato una sola volta durante l’anno.
Entrambe le opportunità richiedono l'iscrizione preventiva in quanto esiste un numero massimo di
studenti per ogni sessione. Per maggiori informazioni si veda la relativa pagina nel sito web del
Dipartimento di Scienze Statistiche: http://www.stat.unipd.it/studiare/tirocinio-formativo-lm.
Percorsi ed indirizzi
Il Consiglio di Corso di Studi, allo scopo di facilitare gli studenti nella scelta di percorsi coerenti
che garantiscano un’organica preparazione orientata a specifici ambiti applicativi della statistica,
suggerisce alcuni percorsi di studio ad approvazione automatica, caratterizzati da un insieme di
scelte per i 27 CFU di materie statistiche e per i 18 CFU di materie non statistiche.
In particolare si suggeriscono percorsi formati da due insegnamenti major “obbligatori” all'interno
del percorso scelto, un altro major a scelta all'interno di un insieme predefinito e due insegnamenti
minor all’interno di un insieme predefinito. Le Tabelle 3.13-3.17 descrivono i 5 percorsi suggeriti
dal Consiglio di Corso di Studi.
a) Statistica per l’Azienda
Insegnamenti di percorso: Statistica per l'Azienda
Nome insegnamento
Metodi statistici per il marketing
Strumenti statistici per l'analisi di dati
aziendali
Metodi statistici per l'inferenza causale
Statistica per la tecnologia e l'industria
Marketing quantitativo
Economia e gestione delle imprese
Marketing progredito
Ottimizzazione stocastica
Sistemi informativi
CFU
Regola
Paniere
9
9
obbligatorio di percorso
//
1 a scelta
Paniere major
almeno 18 CFU a scelta
Paniere minor
9
9
9
6
9
9
6
Tabella 3.13: Insegnamenti di percorso: Statistica per l'Azienda
58
b) Statistica per la Finanza
Insegnamenti di percorso: Statistica per la Finanza
Nome insegnamento
CFU
Analisi dei dati in finanza
Metodi e modelli statistici per la finanza
Statistica computazionale progredito
Statistica iterazione
Computational finance
Finanza matematica
Personal finance
Processi stocastici
Sistemi informativi
9
9
9
9
9
6
9
9
6
Regola
Paniere
obbligatorio di percorso
//
1 a scelta
Paniere major
almeno 18 CFU a scelta
Paniere minor
Tabella 3.14: Insegnamenti di percorso: Statistica per la Finanza
c) Biostatistica
Insegnamenti di percorso: Biostatistica
Nome insegnamento
Biostatistica computazionale e bioinformatica
Statistica medica ed epidemiologia progredito
Statistica computazionale progredito
Statistica iterazione
Algoritmi per la bioinformatica
Bioimmagini
Elaborazione di dati, segnali, e immagini
biomediche
Environmental Impact and life cycle
assessment
Introduzione alla biologia
CFU
9
9
9
9
6
6
9
Regola
Paniere
obbligatorio di percorso
//
1 a scelta
Paniere major
almeno 18 CFU a scelta
Paniere minor
6
9
Tabella 3.15: Insegnamenti di percorso: Biostatistica
d) Statistica per la Tecnologia e Data Science
Insegnamenti di percorso: Statistica per la Tecnologia e Data Science
Nome insegnamento
Statistica computazionale progredito
Statistica per la tecnologia e l'industria
Statistica iterazione
Uno a scelta nel paniere major
Apprendimento automatico
Bioimmagini
Ingegneria della qualità
Intelligenza artificiale
Processi stocastici
Sistemi informativi
CFU
9
9
9
9
6
6
9
9
9
6
Regola
Paniere
obbligatorio di percorso
//
1 a scelta
Paniere major
almeno 18 CFU a scelta
Paniere minor
Tabella 3.16: Insegnamenti di percorso: Statistica per la Tecnologia e Data Science
59
e) Popolazione e società
Insegnamenti di percorso: Popolazione e società
Nome insegnamento
Temi e metodi di popolazione e società
Teorie e modelli demografici
Metodi statistici per l'inferenza causale
Statistica medica ed epidemiologia progredito
Economia sanitaria
Demografia storica
Famiglie, genere, pluralismi
Ottimizzazione stocastica
Storia economica (integrato) (*)
CFU
9
9
9
9
6
9
6
9
6 (9)
Regola
Paniere
obbligatorio di percorso
//
1 a scelta
Paniere major
almeno 18 CFU a scelta
Paniere minor
Tabella 3.17: Insegnamenti di percorso: Popolazione e società
(*) È possibile sostenere uno fra gli esami di Storia economica, 6 CFU, o Storia economica integrato, 9 CFU.
Ulteriori possibilità di scelta
Nel predisporre il piano di studio libero, gli studenti posso scegliere altre combinazioni di
insegnamenti major e minor. Al riguardo si segnalano come particolarmente interessanti le seguenti
combinazioni:
d1) Data science computazionale.
All’interno del percorso Statistica per la Tecnologia e Data Science, la scelta di insegnamenti minor
di machine learning e di informatica, come APPRENDIMENTO AUTOMATICO,
INTELLIGENZA ARTIFICIALE, ALGORITMI PER LA BIOINFORMATICA, SISTEMI
INFORMATIVI o altri insegnamenti presenti nell’offerta didattica di Ateneo, come
ALGORITMICA AVANZATA, CALCOLO PARALLELO, SISTEMI DISTRIBUITI, DATA
BASE MANAGEMENT SYSTEMS.
e2) Statistiche ufficiali.
All’interno del percorso Popolazione e Società, è possibile seguire un indirizzo finalizzato alla
creazione, analisi e utilizzo delle statistiche ufficiali. Oltre alla scelta di insegnamenti minor
opportuni, come SOCIAL RESEARCH METHODS e MANAGEMENT AND PERFORMANCE
MEASUREMENT OF PUBLIC ORGANIZATIONS, il Corso di Studi offre la possibilità di
partecipare ad un programma di stage (fuori dal programma istituzionale della laurea magistrale) in
una istituzione italiana o europea (ISTAT, EUROSTAT, OCSE, Ministero della Sanità) in cui si
producono ed analizzano statistiche ufficiali. È inoltre possibile svolgere la tesi di laurea su temi
correlati ed essere seguiti da docenti esperti del settore.
f) Teoria della statistica.
Gli studenti interessati agli aspetti più teorici della metodologia probabilistica e statistica possono
scegliere gli insegnamenti seguendo un percorso specifico. Si suggeriscono, come insegnamenti
major, THEORY AND METHODS OF INFERENCE, STATISTICAL MODELS e STATISTICA
COMPUTAZIONALE PROGREDITO, mentre come insegnamenti minor si suggeriscono
ADVANCED MATHEMATICS FOR STATISTICS e PROCESSI STOCASTICI o CALCOLO
NUMERICO.
60
3.4. Coorti iscritte fino all'A.A. 2013/14 (ordinamento 2009)
Agli studenti immatricolati fino all'A.A. 2013/14, il Dipartimento di Scienze Statistiche offriva altri
corsi di laurea triennali e magistrali (ordinamento 2009), non attivati per l'A.A. 2016/17. Per questo
motivo, non saranno erogati gli insegnamenti relativi.
Per tutte le informazioni riguardanti i curricula, i percorsi e piani di studio, si rimanda al Bollettino
2013/14 o precedenti, disponibili all'indirizzo: http://www.stat.unipd.it/studiare/bollettino.
Gli studenti che dovessero sostenere esami relativi ad insegnamenti non più erogati devono fare
riferimento alle Tabelle 3.18a e 3.18b (per le triennali) e 3.19 (per la magistrale) di corrispondenze
tra gli insegnamenti e concordare con il docente responsabile il programma per sostenere l'esame.
Denominazione insegnamento ordinamento 2009 CFU
Docente di riferimento
Algebra lineare 1
6
Parmeggiani
Algoritmi di ottimizzazione
8
De Francesco
Analisi delle serie temporali
8
Di Fonzo
Analisi di dati di durata
8
Cortese
Analisi di mercato
8
Bassi
Analisi economico-finanziaria
8
Naccarato, Ciabattoni
Basi di Dati 1
8
Melucci
Basi di dati 2
8
Melucci
Calcolo numerico con laboratorio
8
Vianello
Classificazione e analisi di dati multidimensionali
8
Finos
Controllo di gestione
8
Ciabattoni
Controllo statistico della qualità e certificazione
8
Guidolin
Demografia
8
Ongaro
Econometria dei mercati finanziari
8
Caporin
Economia aziendale
8
Naccarato
Economia delle forme di mercato
8
Galavotti
Economia e gestione delle imprese
8
Naccarato
Finanza aziendale
8
Naccarato
Indagini campionarie
8
Boccuzzo
Introduzione a LINUX e FOSS
4
Ventura
Introduzione a SAS 1
4
Ventura
Introduzione all'econometria
8
Cappuccio
Introduzione all'economia finanziaria
8
Fontini
Istituzioni di Analisi Matematica 1
6
Mannucci (SGI), Cesaroni (SEF, STI)
Istituzioni di Analisi Matematica 2
6
Mannucci (SGI), Cesaroni (SEF, STI)
Istituzioni di Calcolo delle Probabilità
8
Fiorin
Lingua inglese
4
Cortese
Macroeconomia
8
Bassetti
Marketing
8
Grandinetti
Tabella 3.18a: Docenti di appoggio per insegnamenti SEF, SGI, STI non più erogati (prima parte).
61
Denominazione insegnamento ordinamento 2009 CFU
Docente di riferimento
Marketing applicato
8
Pertile
Matematica finanziaria
8
Callegaro, Grosset
Metodi matematici
8
Treu, Parmeggiani
Modelli statistici di comportamento economico
8
Paggiaro
Metodi statistici per il controllo della qualità
8
Capizzi
Metodi statistici per il mercato e l'azienda
8
Guidolin
Microeconomia
8
Moretto
Modelli di ottimizzazione
8
Andreatta
Modelli statistici 1 (A e B)
8
Ventura
Modelli statistici 2
8
Menardi
Orientarsi in azienda
4
Ventura
Politica economica
8
Chillemi
Popolazione e mercato
8
Ongaro
Popolazione e mutamento socio-economico
8
Ongaro
Programmazione degli esperimenti
8
Celant
Reti di calcolatori
8
Zingirian
Serie storiche economiche
8
Bisaglia
Serie storiche finanziarie
8
Bernardi
Sistemi di Elaborazione 1
8
Zingirian
Sistemi di elaborazione 2
8
Ferrari
Sistemi distribuiti
8
Ferrari
Sistemi informativi
8
Gaggi
Sociologia e metodologia della ricerca
8
Fabbris, Tuzzi
Statistica 1 (A e B)
8
Ventura
Statistica 2 (A e B)
8
Salvan
Statistica aziendale
8
Di Fonzo
Statistica computazionale
8
Grigoletto
Statistica economica
8
Paccagnella
Statistica medica
8
Ventura
Statistica sociale
8
Fabbris
Teoria e tecnica del campionamento
8
Boccuzzo
Tabella 3.18b: Docenti di appoggio per insegnamenti SEF, SGI, STI non più erogati (seconda parte).
62
Denominazione insegnamento ordinamento 2009
CFU
Docente di riferimento
Analisi dei corsi di vita
8
Ongaro
Analisi dei dati (data mining)
8
Scarpa
Analisi dei dati in finanza
8
Lisi
Analisi di dati aziendali
8
Paccagnella
Analisi di dati da indagini complesse
8
Mazzuco
Analisi di dati sanitari ed epidemiologici
8
Boccuzzo
Basi di dati (progredito)
8
Ferro
Biostatistica computazionale e bioinformatica
8
Romualdi
Calcolo delle probabilità
8
Bianchi
Demografia (progredito)
8
Tanturri
Econometria
8
Cappuccio
Economia e gestione Imprese (progredito)
8
Furlan
Ingegneria del software
8
Ferrari
Macroeconomia (progredito)
8
Bassetti
Marketing relazionale
8
Grandinetti
Metodi statistici per il marketing
8
Bassi
Microeconomia (progredito)
8
Chillemi
Modelli e metodi per serie storiche finanziarie
8
Lisi
Modelli statistici di comportamento economico (progredito)
8
Caporin
Modelli statistici per scelte economiche discrete e dati di durata
8
Paggiaro
Ottimizzazione stocastica
8
Andreatta
Personnel economics
8
Valbonesi
Pianificazione e controllo
8
Naccarato, Ciabattoni
Politica sociale
8
Bolzan
Processi stocastici
8
Ferrante
Processi stocastici applicati alla finanza
8
Runggaldier, Ferrante
Serie storiche economiche (progredito)
8
Caporin
Sistemi informativi (progredito)
8
Melucci
Sociologia degli stili di vita e dei consumi
8
Mazzuco
Statistica (progredito)
8
Brazzale
Statistica computazionale (progredito)
8
Sartori
Statistica non parametrica
8
Finos
Statistica per la tecnologia
8
Masarotto
Statistica sociale (progredito)
8
Fabbris
Teoria della finanza
8
Caporin
Teoria e prassi della ricerca sociale
8
Fabbris
Tabella 3.19: Docenti di appoggio per insegnamenti SSTAT (ordinamento 2009) non più erogati.
63
3.5 L'offerta formativa di terzo livello: il Dottorato in Scienze Statistiche
Il Dipartimento di Scienze Statistiche offre un Corso di Dottorato in Scienze Statistiche, di cui è
Coordinatrice la prof.ssa Monica Chiogna (http://www.stat.unipd.it/fare-ricerca/dottorato-diricerca). Il Corso, che si propone come centro di formazione avanzata per studenti di qualità,
eterogenei quanto a studi universitari precedenti e interessi di ricerca, è l'unico che opera nel
triveneto nella formazione alla ricerca nell'ambito delle discipline statistiche. Partecipano al
Collegio dei docenti esperti provenienti dalla maggioranza delle università insediate nella stessa
area.
Il Corso di dottorato in Scienze Statistiche ha durata regolare triennale. Tutta l'attività didattica è
svolta in lingua inglese. L'ammissione è per concorso (si veda http://www.unipd.it alla voce
Docenti e ricercatori - Ricerca - Dottorati di Ricerca - Bandi e graduatorie per maggiori dettagli).
Possono concorrere coloro che sono in possesso di laurea magistrale (o equipollente), o titolo
straniero idoneo, senza restrizione disciplinare e senza limitazioni di cittadinanza, purché in
possesso di adeguati prerequisiti attinenti le discipline quantitative. La maggior parte dei posti è
coperta da borse di studio finanziate dall'Ateneo di Padova o da altre istituzioni ed enti.
I docenti del Corso vagliano, subito dopo lo svolgimento delle prove di ammissione, il curriculum e
gli interessi di ricerca di ciascun dottorando, suggerendo come colmare eventuali debiti formativi
nelle discipline di base. Per gli studenti del primo anno, il programma di studio prevede un blocco
comune di insegnamenti a carattere avanzato sulle discipline di base (FUNCTIONAL ANALYSIS,
PROBABILITY THEORY, THEORY AND METHODS OF INFERENCE, STATISTICAL
MODELS). Tali corsi svolgono, tra le altre, la funzione fondamentale di favorire la formazione di
un linguaggio di ricerca comune, lo scambio di idee e la discussione tra gli studenti. Anche
nell'ambito di questo blocco comune si tiene conto dei diversi livelli iniziali degli studenti e si
utilizzano le attività individuali, durante il corso e finali, per colmare lacune e per fornire spunti per
approfondimenti, anche mirati agli specifici interessi di ricerca. Sempre durante il primo anno di
corso, il programma prevede un certo numero di corsi specialistici su aspetti applicativi o teorici
della Statistica, svolti avvalendosi anche della collaborazione di studiosi italiani e stranieri. Accanto
a quelli attivati dal Corso, i dottorandi possono seguire anche insegnamenti attivati nell'ambito delle
lauree magistrali o di altri Corsi di Dottorato. L'obiettivo è giungere a definire un percorso
formativo che permetta, da un lato, di integrare adeguatamente le competenze statistiche e,
dall'altro, di acquisire le competenze specifiche richieste dal progetto di ricerca che il dottorando
prevede, almeno a grandi linee, di svolgere.
L'attività di ricerca da svolgere nel secondo e terzo anno è la parte fondamentale del progetto
formativo, mirato al conseguimento dell'autonomia nella ricerca tramite la redazione di una tesi di
dottorato contenente contributi originali. Il Dipartimento di Scienze Statistiche e i Dipartimenti da
cui provengono i membri del Collegio dei docenti sono in grado di fornire un ambiente idoneo allo
svolgimento dell'attività di ricerca degli studenti del Corso garantendo loro il coinvolgimento nei
numerosi progetti di ricerca attivi. Il Corso incoraggia tutti i dottorandi a sfruttare l'opportunità di
svolgere le proprie ricerche anche presso istituzioni straniere di elevata qualificazione, beneficiando
delle reti di collaborazione scientifica dei Dipartimenti che collaborano al Corso.
Il Corso di Dottorato in Scienze Statistiche fornisce competenze di base e specialistiche a livello
avanzato, tali da creare figure professionali adatte all'inserimento in centri di ricerca sia universitari
che di altri enti pubblici e privati. Opportunità di carriera includono le università, gli enti di ricerca
pubblici e privati, le banche centrali, i governi, le organizzazioni internazionali, le istituzioni
finanziarie. I dottori di ricerca che hanno conseguito il titolo presso i dottorati presenti presso il
Dipartimento di Scienze Statistiche fin dall’istituzione della formazione a livello dottorale,
occupano posizioni accademiche presso numerose università italiane e straniere o svolgono attività
coerenti con la formazione ricevuta presso enti pubblici (anche internazionali) e aziende operanti in
vari ambiti.
64
4. Assetto della didattica: insegnamenti attivati nell'A.A. 2016/17
4.1 Assetto della didattica
Le seguenti tabelle riportano tutti gli insegnamenti delle lauree di primo livello (triennali) e delle
lauree magistrali del nuovo ordinamento. Per ogni insegnamento si indicano l’anno di corso ed il
Semestre, il numero di CFU, il settore scientifico-disciplinare e se, all'interno del corso di laurea,
l'insegnamento è di base (B), caratterizzante (C ) o affine (A).
Lauree (triennali)
Corso di laurea in Statistica per l'Economia e l'Impresa (SEI)
SEI
Insegnamento
Anno Semestre CFU
Istituzioni di analisi matematica (*)
Statistica 1 (*)
Sistemi di elaborazione 1 (*)
Algebra lineare (*)
Basi di dati 1 (*)
Istituzioni di probabilità (*)
Analisi matematica
Economia aziendale
Ingegneria della qualità
Statistica 2 (*)
Analisi dei dati multidimensionali (*)
Microeconomia
Modelli statistici 1 (*)
Statistica computazionale
Teoria e tecnica dell'indagine statistica e del
campionamento (*)
Economia dei mercati finanziari
Macroeconomia(**)
Marketing
Metodologie e determinazioni quantitative d'azienda
Misura dei fenomeni economici e aziendali
Modelli statistici 2
Popolazione e mutamento socio-economico
Serie storiche (*)
Analisi di mercato
Controllo statistico della qualità
Matematica finanziaria
Metodi statistici per big data
Metodi statistici per l'azienda
Metodi statistici per la finanza
Modelli statistici di comportamento economico
Politica economica
Programmazione degli esperimenti
Statistica sociale
Settore
Tipo
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
1
1
1,2
2
2
2
1
1
1
1
2
2
2
2
2
12
6
12
6
6
9
9
9
9
12
6
9
9
9
9
MAT/05
SECS-S/01
ING-INF/05
MAT/02
ING-INF/05
MAT/06
MAT/05
SECS-P/07/08
ING-INF/07
SECS-S/01
SECS-S/01
SECS-P/01
SECS-S/01
SECS-S/01
SECS-S/05
B
B
B
B
C
B
A
C
A
B
C
C
C
A
C
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
SECS-P/01
SECS-P/01
SECS-P/08
SECS-P/07
SECS-S/03
SECS-S/01
SECS-S/04
SECS-S/03
SECS-S/03
SECS-S/01
SECS-S/06
SECS-S/01
SECS-S/03
SECS-S/03
SECS-S/03
SECS-P/01
SECS-S/01
SECS-S/05
A
A
A
A
A
A
A
C
A
A
A
A
A
A
A
A
A
A
(*) Insegnamenti "sdoppiati" per matricole pari e dispari
(**) Insegnamento “triplicato” in base all'iniziale del cognome AE-FO-PZ
65
Corso di laurea in Statistica per le Tecnologie e le Scienze (STS)
STS
Insegnamento
Anno Semestre CFU
Istituzioni di analisi matematica (*)
Statistica 1 (*)
Sistemi di elaborazione 1 (*)
Algebra lineare (*)
Basi di dati 1 (*)
Istituzioni di probabilità (*)
Analisi matematica
Ingegneria della qualità
Ottimizzazione: modelli e metodi
Statistica 2 (*)
Analisi dei dati multidimensionali (*)
Modelli statistici 1 (*)
Statistica computazionale
Teoria e tecnica dell'indagine statistica e del
campionamento (*)
Introduzione alla biologia
Metodi statistici per l'epidemiologia
Modelli statistici 2
Modelli statistici applicati
Serie storiche (*)
Sistemi di elaborazione 2
Basi di dati 2
Biodemografia
Controllo statistico della qualità
Metodi statistici per big data
Programmazione degli esperimenti
Statistica medica
(*) Insegnamenti "sdoppiati" per matricole pari e dispari
66
Settore
Tipo
1
1
1
1
1
1
2
2
2
2
2
2
2
2
1
1
1,2
2
2
2
1
1
1
1
2
2
2
2
12
6
12
6
6
9
9
9
9
12
6
9
9
9
MAT/05
SECS-S/01
ING-INF/05
MAT/02
ING-INF/05
MAT/06
MAT/05
ING-INF/07
MAT/09
SECS-S/01
SECS-S/01
SECS-S/01
SECS-S/01
SECS-S/05
B
B
B
B
C
B
A
A
C
B
A
C
C
C
3
3
3
3
3
3
3
3
3
3
3
3
1
1
1
1
1
1
2
2
2
2
2
2
9
9
9
9
9
9
9
9
9
9
9
9
BIO/13
SECS-S/01/05
SECS-S/01
SECS-S/02
SECS-S/03
ING-INF/05
ING-INF/05
SECS-S/04
SECS-S/01
SECS-S/01
SECS-S/01
SECS-S/01
A
A
A
C
C
A
A
A
A
A
A
A
Laurea magistrale in Scienze Statistiche
Insegnamento
Anno Semestre CFU
Apprendimento automatico
Bioimmagini
Calcolo delle probabilità
Calcolo numerico
Computational finance
Demografia storica (**)
Demografia storica avanzato (**)
Economia e gestione delle imprese (***)
Economia sanitaria
Environmental impact and life cycle assessment
Ingegneria della qualità
Intelligenza artificiale
Introduzione alla biologia
Marketing progredito
Marketing quantitativo
Modelli statistici per dati sociali
Personal finance
Processi stocastici
Sistemi informativi
Algoritmi per la bioinformatica
Analisi dei dati (data mining)
Elaborazione di dati, segnali e imm. biomediche
Famiglie, genere e pluralismo
Finanza matematica
Ottimizzazione stocastica
Statistica progredito
Storia economica (**)
Storia economica integrato (**)
Advanced mathematics for statistics(*)
Biostatistica computazionale e bioinformatica
Metodi e modelli statistici per la finanza
Metodi statistici per il marketing
Metodi statistici per l’inferenza causale
Modelli statistici per dati economici
Statistica computazionale progredito
Teorie e modelli demografici
Analisi dei dati in finanza
Statistica iterazione
Statistica medica ed epidemiologia progredito
Statistica per la tecnologia e l'industria
Statistical models(*)
Strumenti statistici per l'analisi di dati aziendali
Temi e metodi di popolazione e società
Theory and methods of inference(*)
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2(****)
1
1
1
1
1
6
6
9
6
9
6
9
6
6
6
9
9
9
9
1
1
9
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
1
1
1
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
9
9
9
6
6
9
9
6
6
9
9
6
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
Settore
Tipo
INF/01
ING-INF/06
MAT/06
MAT/08
SECS-P/05
SECS-S/04
SECS-S/04
SECS-P/08
SECS-P/03
ICAR/03
ING-INF/07
ING-INF/05
BIO/13
SECS-P/08
SECS-P/08
SECS-S/04/05
SECS-P/05
MAT/06
ING-INF/05
ING-INF/05
SECS-S/01
ING-INF/06
SPS/07
MAT/06
MAT/09
SECS-S/01
SECS-P/12
SECS-P/12
MAT/05/06
SECS-S/02
SECS-S/03
SECS-S/03
SECS-S/03
SECS-S/03
SECS-S/01
SECS-S/04
SECS-S/03
SECS-S/01
SECS-S/01/05
SECS-S/01
SECS-S/01/03
SECS-S/03
SECS-S/04/05
SECS-S/01
A
A
C
A
A
A
A
A
A
A
A
A
A
A
A
C
A
A
A
A
C
A
A
A
A
C
A
A
A
C
C
C
A
C
A
C
A
A
A
C
A
A
A
A
(*) Insegnamento rivolto anche al corso di Dottorato in Scienze Statistiche
(**) È possibile sostenere uno fra gli esami di demografia storica e demografia storica avanzato e uno tra i due esami
di storia economica e storica economica integrato.
(***) Insegnamento sdoppiato AL- MZ
(****) Insegnamento erogato nel secondo trimestre
67
4.2
Programmi degli insegnamenti
In questa sezione si riportano i programmi degli insegnamenti attivati nell'A.A. 2016/17, i corsi di
studio cui fanno riferimento, i docenti titolari, eventuali insegnamenti da cui sono mutuati.
La pagina http://www.stat.unipd.it/studiare/programmi-appunti-insegnamenti contiene maggiori
dettagli e materiale didattico sugli insegnamenti attivati, si consiglia di verificare costantemente
eventuali aggiornamenti successivi alla stampa del presente Bollettino.
ADVANCED MATHEMATICS FOR STATISTICS
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. F. Giummolè)
Prerequisiti:
Sequences of real numbers: limit of a sequence, Cauchy sequences, subsequences. Series of real
numbers: convergence and convergence criteria. Differential and Integral Calculus in R and in R^n.
The course is not suggested to Unipd Master of Statistics students.
Modalità di esame:
Written exam.
Contenuti:
Functional Analysis (3CFU)
- Convergence notions for sequences of functions. Functions series: power series, Taylor series,
Fourier series.
- Measure theory: Caratheodory construction of a measure. Examples: the Lebesgue measure, the
Lebesgue-Stieltjes measure, robability measures in continuous and discrete spaces. The definition
of integral in a measure space. In particular: the Lebesgue integral.
- Functions spaces Ck, Lp,W 1,p: definitions and basic properties. Hilbert spaces: definitions and
basic results. The space L2.
Probability Theory (6CFU)
- Probability Distributions
- Conditioning
- Characteristic and moment generating functions
- Functions of random variables
- Normal distribution theory
- Convergence of Random Variables
- Central Limit Theorem
- Further topics
- Discrete time Markov chains
- Continuous time Markov chains
- Poisson process and Brownian motion.
Eventuali indicazioni sui materiali di studio:
For Functional Analysis
- Fusco, Marcellini, Sbordone, Analisi Matematica 2, Liguori
- Kreyszig, Introductory functional analysis with applications, Wiley
68
- Friedman, Foundations of modern Analysis,
- Dover Brezis, Analisi Funzionale, Liguori
- Rudin, Real and complex analysis, Mc Graw-Hill
- Rudin, Functional Analysis,Mc Graw-Hill.
For Probability Theory
- A. Gut, An intermediate course in probability, Springer Verlag, 1995.
- J.R. Norris, Markov chains, Cambridge University Press, 1997.
- T.A. Severini, Elements of distribution theory, Cambridge University Press, 2005.
- S.I. Resnick, Adventures in Stochastic Processes, Birkhauser, 1992.
ALGEBRA LINEARE
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. G. Parmeggiani, Matricola dispari: Docente da definire)
Prerequisiti:
Algebra elementare, trigonometria, geometria analitica elementare.
Conoscenze e abilità da acquisire:
Il corso ha lo scopo di fornire allo studente una preparazione di base di Algebra Lineare sugli
argomenti riguardanti: i sistemi di equazioni lineari, le loro soluzioni teoriche ed algoritmiche, i
fondamenti della teoria degli spazi vettoriali euclidei reali e complessi, i metodi per il calcolo del
determinante, i risultati basilari sugli autosistemi, fino al teorema spettrale. Per rendere lo studente
operativamente capace di risolvere i problemi illustrati, verranno svolti numerosi esempi ed
esercizi.
Modalità di esame:
Esame solamente scritto, della durata di tre ore. Vengono proposte una domanda di tipo teorico e tre
esercizi di tipo numerico. Non è consentita la consultazione di libri e appunti. E' obbligatoria la
presenza per la registrazione dell'esame.
Criteri di valutazione:
Ogni domanda di ciascun esercizio concorre per un certo ammontare specificato al voto massimo di
33/30 (corrispondente a 30 e lode).
Costituiscono criteri per una valutazione positiva la correttezza, la precisione e la completezza delle
soluzioni date ai diversi esercizi.
Contenuti:
Matrici e loro operazioni. Trasposta di una matrice. Decomposizione a blocchi di matrici.
Eliminazione di Gauss per la risoluzione algoritmica dei sistemi di equazioni lineari e il calcolo
delle matrici inverse. Matrici elementari e decomposizione LU. Spazi vettoriali. Sistemi di
generatori, vettori linearmente dipendenti e indipendenti. Basi e dimensione di uno spazio
vettoriale. I quattro sottospazi fondamentali di una matrice. Coordinate di un vettore rispetto ad una
base ordinata. Cambiamento di base. Applicazioni lineari e matrici associate. Norme e prodotti
scalari. Vettori ortogonali e basi ortonormali. Proiezioni ortogonali. Procedimento di GramSchmidt. Decomposizione QR. Approssimazione ai minimi quadrati e sistema delle equazioni
normali.
69
Calcolo del determinante di una matrice ed applicazioni. Autovalori, autovettori ed autospazi di
matrici. Polinomio caratteristico e sue proprietà. Molteplicità algebriche e geometriche degli
autovalori. Diagonalizzazione e triangolarizzazione di matrici. Matrici normali e teorema spettrale.
Attività di apprendimento previste e metodologie di insegnamento:
Sono impartite 54 ore di lezioni frontali, di cui circa un terzo dedicate allo svolgimento di esercizi
di tipo numerico.
Viene richiesto lo svolgimento di alcuni esercizi a casa.
Eventuali indicazioni sui materiali di studio:
Il programma del corso è completamente coperto dal libro di testo di E. Gregorio e L. Salce:
"Algebra Lineare", Ed. Libreria Progetto, Padova, 2012 (3^ ed.). Di tale testo sono svolti gran parte
dei primi 3 capitoli ed alcuni paragrafi dei capitoli 4, 5 e 6. Vengono inoltre utilizzate le Appendici
A, B e C.
Soluzioni di compiti dati all'esame in appelli precedenti si trovano in rete in MOODLE.
Testi di riferimento:
- E. GREGORIO, L. SALCE, Algebra Lineare. Padova: Libreria Progetto, 2012. (terza
edizione).
- NOBLE B., DANIEL J.W., Applied Linear Algebra. Englewood Cliffs, NJ, USA: PrenticeHall Inc., 1988. (terza edizione).
ALGORITMI PER LA BIOINFORMATICA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Comin)
L’insegnamento è mutuato da ALGORITMI PER LA BIOINFORMATICA, Corso di laurea
magistrale in Ingegneria Informatica.
Conoscenze e abilità da acquisire:
Imparare a tradurre un problema biologico in un problema matematico basato su grafi, alberi e
stringhe; conoscere i principali algoritmi per l’analisi di sequenze biologiche; acquisire familiarità
con i metodi randomizzati che ricercano soluzioni approssimate per problemi intrattabili; imparare a
presentare i risultati di un progetto e a lavorare in gruppo.
Modalità di esame:
Lo studente dovrà sostenere :
- un esame scritto
- un progetto che si compone di una tesina scritta e di una presentazione orale.
Criteri di valutazione:
Valutazione del grado di apprendimento degli argomenti trattati attraverso l'esame scritto.
Valutazione della capacità di saper svolgere un'analisi critica della letteratura su uno specifico
argomento (per i progetti di approfondimento bibliografico), capacità di realizzare un software per
una specifica analisi bioinformatica (per i progetti implementativi), capacità di svolgere un'analisi
critica dei risultati (per progetti sperimentali).
Capacità di presentare i risultati del progetto in forma scritta e con presentazione orale.
70
Contenuti:
Introduzione alla bioinformatica.
Algoritmi per la ricerca e scoperta di motivi funzionali e strutturali (segnali) in sequenze biologiche.
Tecniche di ricerca di segnali e caratterizzazione di sequenze sia basati sull'allineamento che
alignment-free.
Algoritmi per la soluzione di problemi specifici in ambito di genome rearrangement, dna assembly,
evoluzione delle specie, metagenomica.
Algoritmi e strutture dati per l'analisi combinatoriale in sequenze.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso viene erogato attraverso lezioni frontali. Inoltre vengono messi a disposizione degli studenti
riferimenti bibliografici e lavori inerenti ai progetti che gli studenti dovranno sviluppare.
Testi di riferimento:
- Jones, Neil C.; Pevzner, Pavel A., An Introduction to bioinformatics algorithms;. Cambridge
(Mass.): London, MIT press, 2004.
ANALISI DEI DATI (DATA MINING)
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. B. Scarpa)
Prerequisiti:
Modelli statistici II, Classificazione e Analisi dei dati Multidimensionali, un primo corso di
Programmazione, un primo corso di Algebra Lineare.
Conoscenze e abilità da acquisire:
Lo scopo del corso è di introdurre gli studenti alla comprensione e alla reale capacità di utilizzo di
strumenti di data mining e di metodi statistici per l’analisi dei dati.
Modalità di esame:
La prova d'esame consta di tre parti: una parte "teorica", una "pratica" ed una "orale".
Criteri di valutazione:
Correttezza e qualità delle prove d’esame.
Contenuti:
-Nozioni generali: motivazioni e contesto, contrasto tra aderenza ai dati e complessità del modello
ovvero contrasto tra distorsione e varianza, tecniche generali per la selezione del modello (AIC,
BIC, convalida incrociata, oltre ai test statistici classici), suddivisione dei dati in un insieme di
lavoro e uno di verifica.
-Metodi di regressione: richiami sui modelli lineari e sui glm; regressione non parametrica mediante
il metodo della regressione locale, splines di regressione, splines di lisciamento, modelli additivi,
alberi, mars, projection pursuit, reti neurali (cenni).
-Metodi di classificazione: mediante la regressione lineare, richiami sulla regressione logistica e
multilogit, modelli additivi, alberi, polymars, reti neurali, combinazione di classificatori (bagging,
boosting, foreste casuali), support vector machines.
-Metodi di analisi interna: nozioni sui metodi di raggruppamento: dissimilarità, metodo delle kmedie, metodi gerarchici. Analisi delle associazioni tra variabili, algoritmo Apriori. Reti sociali
(cenni).
71
-Miscellanea: sentiment analysis (cenni), tecniche di visualizzazione dei dati, cenni ad aspetti
computazionali.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali. Esercitazioni in laboratorio.
Eventuali indicazioni sui materiali di studio:
Strumenti informatici. Lo strumento di calcolo primario adottato per questo corso è l'ambiente di
programmazione R; questo può essere prelevato, assieme alla relativa documentazione, da una
postazione CRAN.
Testi di riferimento:
- Azzalini, A. e Scarpa, B., Data analysis and data mining: an introduction. New York:
Oxford University Press, 2012.
- Azzalini, A. e Scarpa, B., Analisi dei dati e data mining. Milano: Springer-Verlag Italia,
2004.
ANALISI DEI DATI IN FINANZA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. F. Lisi)
Prerequisiti:
Anche se non strettamente necessario, è fortemente consigliato avere acquisito i contenuti di Serie
storiche finanziarie.
Conoscenze e abilità da acquisire:
Lo scopo del corso è di introdurre gli studenti alla comprensione e alla reale capacità di utilizzo di
metodi statistici per l’analisi e la modellazione di fenomeni finanziari.
Partendo dal problema finanziario, verranno presentate varie procedure computazionali basate su
tecniche non parametriche e di ricampionamento.
Il corso sarà sviluppato su alcune problematiche attuali della finanza, quali, ad esempio, stima e
controllo del rischio, la costruzione e valutazione di strategie di trading e la misurazione della
performance di un portafoglio.
Modalità di esame:
Prova pratica in aula pc + esercitazione per casa.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti svolti
sull'acquisizione dei concetti e delle metodologie proposte e sulla capacità di applicarli e di
implementarli in modo autonomo e consapevole.
Contenuti:
1. Analisi tecnica dei mercati finanziari
2. Tecniche statistiche per l’analisi del rischio finanziario. Modelli per il calcolo del Valore a
Rischio (VaR)
3. Prezzaggio di opzioni con i modelli GARCH
4. Tecniche statistiche di stima della volatilità
5. Modelli di regressione non parametrica e loro applicazioni finanziarie
6. Misure e metodi di valutazione della performance di un portafoglio.
72
Attività di apprendimento previste e metodologie di insegnamento:
Tutte le metodologie proposte verranno implementate con un opportuno software e applicate a dati
reali durante le esercitazioni in aula computer.
Eventuali indicazioni sui materiali di studio:
Lucidi forniti di volta in volta prima delle lezioni.
Trattandosi di un corso composto di vari moduli non è possibile indicare un solo testo. All'inizio di
ogni modulo verranno forniti riferimenti bibliografici sia in italiano che in inglese.
ANALISI DEI DATI MULTIDIMENSIONALI
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. M. Cattelan, Matricola dispari: Prof. L. Finos)
Prerequisiti:
Algebra lineare, Statistica I.
Conoscenze e abilità da acquisire:
Il corso mira ad introdurre lo studente ai principali metodi statistici per dati (e problemi)
multidimensionali.
Vengono affrontati alcuni metodi inferenziali classici (T^2 Hotelling, regressione multipla
multivariata) e i principali metodi esplorativi di riduzione dei dati (Componenti Principali e
MultiDimentional Scaling).
Una particolare rilevanza è data anche alla definizione di tecniche di analisi dei gruppi (clustering
gerarchico e non gerarchico).
L'acquisizione della capacità di applicazione dei metodi tramite software (R) è una finalità non
secondaria del corso.
Modalità di esame:
Prova scritta e prova in laboratorio (con R).
Criteri di valutazione:
Capacità di risolvere gli esercizi e di rispondere alle domande.
Contenuti:
Metodi di riduzione dei dati.
- Analisi delle componenti principali
- Analisi fattoriale esplorativa. Identificazione dei fattori, rotazioni degli assi, interpretazione dei
fattori
- Analisi delle corrispondenze semplici e multiple
- Scaling multidimensionale. Metodi di clustering e classificazione
- Cluster analysis gerarchica
- Misure di distanza e metodologie appropriate per variabili non quantitative
- Cluster analysis non gerarchica. Inferenza Multivariata
- Vettori casuali multivariati
- Distribuzione Normale Multivariata
- Distribuzione Wishart e T^2 di Hotelling.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali e laboratorio.
73
Eventuali indicazioni sui materiali di studio:
Appunti delle lezioni e materiale su Moodle.
Testi di riferimento:
- Mardia, K.V., Kent, J.T., Bibby, J.M., Multivariate Analysis. New York: Academic Press,
1979.
- Johnson, R. A., Wichern, D. W., Applied Multivariate Statistical Analysis. Prentice Hall, 2013.
- Everitt, B., Hothorn, T., An Introduction to Applied Multivariate Analysis with R. New York:
Springer, 2011
ANALISI DI MERCATO
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. F. Bassi)
Prerequisiti:
Nessuno.
Conoscenze e abilità da acquisire:
Scopo principale del corso è introdurre lo studente alle ricerche di mercato:
- Quali sono le informazioni di cui coloro che si occupano di disegnare strategie di marketing hanno
bisogno per prendere le proprie decisioni in modo efficace ed efficiente?
- Quali sono le potenziali fonti dei dati?
- Come si raccolgono i dati quando non sono già disponibili?
- Argomento principale del corso sono quindi tutti gli strumenti necessari a pianificare e realizzare
in modo corretto ed efficace le ricerche di mercato.
Si illustra poi come misurare alcuni tra i principali fenomeni di mercato.
Nella parte finale, si mostra come i dati di mercato devono essere trattati con strumenti statistici
(prevalentemente di analisi statistica univariata) per diventare informazione utile a rispondere ad
alcune domande che coloro che operano all’interno delle aziende si pongono.
Il corso prevede la presenza di alcuni “esperti” provenienti dal mondo del lavoro e che si occupano
di ricerche di mercato (le realizzano, ad esempio, istituiti di ricerca o le utilizzano, ad esempio,
uffici marketing di aziende).
Modalità di esame:
L’esame è scritto, con eventuale homework.
Criteri di valutazione:
Con la prova d'esame si valuta l'apprendimento dei concetti teorici e delle abilità pratiche (ovvero
soluzione di problemi) introdotti nel corso.
Contenuti:
1. Il ruolo e lo sviluppo della ricerca di mercato.
- La definizione di ricerca di mercato.
- Il problema della misurazione dei fenomeni di mercato.
- Le metodologie della ricerca di mercato: modelli di riferimento e fasi della ricerca.
2. Le informazioni per le ricerche di mercato.
- Dati primari e secondari.
- Ricerche on desk.
- Le ricerche di mercato continuative.
74
3. La raccolta delle informazioni: il campionamento non probabilistico.
4. La raccolta delle informazioni: metodi tecniche e strumenti.
- Le scale di misura.
- Tipologia e prevenzione degli errori non campionari.
- Metodi qualitativi di indagine.
- I panel di consumatori.
5. La misura dei fenomeni di mercato.
- L’audience della pubblicità.
- La soddisfazione del consumatore.
- Evoluzione e potenziale dei mercati.
- La valutazione degli effetti delle promozioni di vendita.
6. Disegni sperimentali per la valutazione di strategie alternative.
7. Strumenti statistici per altre applicazioni tradizionali
- Il lancio di nuovi prodotti.
- La determinazione del prezzo
- La gestione della distribuzione del prodotto.
8. Analisi statistica dei dati raccolti con le ricerche di mercato: le prime esplorazioni e introduzione
a SPSS.
Attività di apprendimento previste e metodologie di insegnamento:
Le lezioni sono frontali tenute dal docente. Sono previste testimonianze aziendali di esperti
provenienti dal mondo del lavoro.
Eventuali indicazioni sui materiali di studio:
Il materiale didattico verrà distribuito durante il corso.
Oltre ai testi di riferimento, testi consigliati:
Brasini S., Tassinari F., Tassinari G. “Marketing e pubblicità”, Il Mulino, Bologna, 1996.
Bearden W.O., Netemeyer R.G., Mobley M.F. “Handbook of Marketing Scales”, 1993, Sage.
Molteni L., Troilo G. “Ricerche di marketing”, 2007, McGraw Hill.
Testi di riferimento:
- Bassi F., Analisi di mercato. Strumenti e statistiche per le decisioni di marketing. Roma:
Carocci, 2008.
- Bassi F., Guido G., Peluso A.M., La valutazione della “customer satisfaction” nelle
esperienze di consumo. Una scala di marketing esperienziale per la misurazione della.
Milano: Franco Angeli, 2010.
ANALISI MATEMATICA
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. G. Treu)
Prerequisiti:
Contenuti dei corsi di Algebra Lineare e di Istituzioni di Analisi 1.
75
Conoscenze e abilità da acquisire:
Saranno trattati il calcolo differenziale e il calcolo integrale in più variabili, le successioni e le serie
di funzioni, le equazioni differenziali ordinarie. Gli studenti acquisiranno, oltre ai fondamenti
teorici, anche le abilità pratiche di calcolo che permetteranno loro di risolvere problemi applicativi.
Modalità di esame:
L'esame è scritto.
Criteri di valutazione:
Ogni domanda di ciascun esercizio concorre per un certo ammontare specificato al voto massimo di
33/30 (corrispondente a 30 e lode).
Costituiscono criteri per una valutazione positiva la correttezza, la precisione e la completezza delle
soluzioni date ai diversi esercizi.
Contenuti:
Successioni e serie di funzioni Convergenza puntuale e uniforme per le successioni di funzioni reali
di variabile reale. Limite uniforme di una successione di funzioni continue. Teorema di inversione
dell'ordine dei limiti. Convergenza puntuale, uniforme, totale di una serie di funzioni reali di
variabile reale. Serie di potenze, raggio di convergenza. Serie di Taylor. Funzioni analitiche.
Calcolo differenziale per funzioni reali di n variabili reali. Elementi di topologia nello spazio
euclideo. Insiemi aperti, chiusi, compatti, connessi. Definizione di limite di una funzione in un
punto e in un insieme. Teoremi algebrici sui limiti. Definizione di funzioni continua in un punto e in
un insieme. Teorema sulla continuità delle funzioni composte. Teorema di Weierstrass, teorema di
connessione. Derivate parziali e direzionali. Derivate di ordine superiore, matrice Hessiana, teorema
di Schwartz. Funzione differenziabile in un punto. Derivabilità delle funzioni composte. Massimi e
minimi liberi: condizioni necessarie del primo e del secondo ordine. Condizioni sufficienti.
Teorema delle funzioni implicite. Significato geometrico del gradiente. Massimi e minimi vincolati.
Teorema dei moltiplicatori di Lagrange. Calcolo integrale per funzioni di n variabili reali. Teoria
della misura di Lebesgue. La σ-algebra degli insiemi misurabili secondo Lebesgue. Funzioni
misurabili e funzioni integrabili (o sommabili). Definizione di integrale di una funzione in un
insieme misurabile. Proprietà dell'integrale. Teorema di Fubini-Tonelli (formula di riduzione) e
teorema di cambiamento di variabili.
Equazioni differenziali ordinarie a variabili separabili e lineari.
Attività di apprendimento previste e metodologie di insegnamento:
Sono impartite 82 ore di lezione frontale, di cui almeno un terzo dedicate allo svolgimento di
esercizi.
Eventuali indicazioni sui materiali di studio:
Analisi Matematica. Nella piattaforma MOODLE di Scienze Statistiche, alla pagina del corso sono
presenti gli appunti delle lezioni, i testi degli appelli degli anni precedenti e altro materiale
didattico. Per l'accesso è necessaria una password che verrà comunicata dal docente.
Testi di riferimento:
- P. Marcellini e C. Sbordone, Esercitazioni di Matematica, II vol. Parti prima e seconda.
Liguori.
- N. FUSCO, P. MARCELLINI, C. SBORDONE, Analisi due. Liguori.
- Michiel Bertsch, Roberta Dal Passo, Lorenzo Giacomelli, Analisi Matematica. McGraw
Hill.
76
APPRENDIMENTO AUTOMATICO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. F. Aiolli)
L’insegnamento è mutuato da APPRENDIMENTO AUTOMATICO, Corso di laurea magistrale in
Informatica.
Prerequisiti:
È opportuno avere familiarità con le conoscenze matematiche relative al Calcolo delle Probabilità e
all'Analisi di funzioni multivariate. Inoltre è consigliabile avere conoscenze di base relative alla
Programmazione e all'Intelligenza Artificiale.
L'insegnamento non prevede propedeuticità.
Conoscenze e abilità da acquisire:
In questo insegnamento si presentano alcuni dei concetti fondamentali che caratterizzano
l'Apprendimento Automatico, cioè quella classe di tecniche ed algoritmi che a partire da dati
empirici permettono di acquisire nuova conoscenza, oppure di correggere e/o raffinare conoscenza
già disponibile. Tali tecniche sono particolarmente utili per problemi per cui è impossibile o molto
difficile pervenire ad una formalizzazione utilizzabile per la definizione di una soluzione
algoritmica ad hoc. Esempi di tali problemi sono compiti percettivi, come il riconoscimento visivo
di cifre manoscritte, e problemi in cui i dati sono corrotti dal rumore o sono incompleti.
L'insegnamento tratta principalmente metodi numerici.
Sono previste esercitazioni in laboratorio informatico che consentono allo studente di sperimentare
le conoscenze acquisite mediante l'applicazione a piccoli esempi pratici.
Modalità di esame:
Lo studente deve superare un esame scritto e, se ritenuto necessario dal docente, un esame orale.
Criteri di valutazione:
Il testo dell'esame scritto contiene alcune domande che consentono di valutare il livello di
apprendimento delle nozioni impartite durante l'insegnamento e la capacità dello studente
nell'analizzarle criticamente. Sono poi presenti domande in cui si richiede allo studente di mostrare
di aver compreso gli aspetti applicativi trattati all'interno delle attività svolte in laboratorio
informatico. Tali domande hanno lo scopo di valutare se lo studente ha sviluppato la capacità di
applicare le nozioni apprese durante l'insegnamento.
Nel caso in cui la valutazione dello scritto non risulti soddisfacente per lo studente, il docente può
integrare l'esame scritto con un esame orale per meglio verificare la preparazione dello studente.
Contenuti:
La struttura e le tematiche dell'insegnamento saranno le seguenti:
- Introduzione:
Quando Applicare le Tecniche Proprie dell'Apprendimento Automatico; Paradigmi di
Apprendimento Automatico; Gli ingredienti Fondamentali dell'Apprendimento Automatico.
- Apprendimento di Concetti:
Complessità dello Spazio delle Ipotesi; Misure di Complessità; Esempi di Algoritmi di
Apprendimento Supervisionato.
- Alberi di Decisione:
Apprendimento di Alberi di Decisione; Trattamento di Dati Numerici, di Dati Mancanti, di Costi;
Tecniche di Pruning e Derivazione di Regole di Decisione.
- Apprendimento Probabilistico:
77
Apprendimento Bayesiano; Esempi di Applicazione al Paradigma Supervisionato e al Paradigma
Non-Supervisionato (clustering); Classificatore Ottimo di Bayes; EM.
- Reti Neurali e Support Vector Machines:
Cenni di Reti Neurali; Margine di Classificazione; Support Vector Machines per Classificazione e
Regressione; Funzioni Kernel.
- Aspetti Applicativi:
Pipeline di Classificazione; Rappresentazione e Selezione di Variabili Categoriche; Model
Selection, Holdout, CrossValidation, LeaveOneOut CV; Criteri Esterni e Interni per Valutare un
Sistema di Clustering; Sistemi di Raccomandazione: Tipologie, Approcci, Misure di Valutazione.
Attività di apprendimento previste e metodologie di insegnamento:
L'insegnamento prevede lezioni frontali ed esercitazioni in laboratorio informatico. Le esercitazioni
in laboratorio informatico consistono nella sperimentazione da parte degli studenti delle tecniche
viste a lezione sotto vari scenari operativi. In questo modo gli studenti possono verificare
sperimentalmente i concetti appresi e acquisire sia capacità di applicazione dei concetti appresi che
di giudizio critico.
Eventuali indicazioni sui materiali di studio:
Vengono rese disponibili, come riferimento, i lucidi utilizzati a lezione.
Testi di riferimento:
- Mitchell, Tom M., Machine learning. New York: McGraw-Hill, 1998.
- Alpaydin, Ethem, Introduction to machine learning. Cambridge: The MIT press, 2010.
BASI DI DATI 1
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. M. Melucci, Matricola dispari: Prof. M. Melucci)
Prerequisiti:
Non è richiesta una conoscenza preliminare delle basi di dati, ma è importante conoscere i concetti
elementari dell’architettura e del sistema operativo di un calcolatore illustrati in Sistemi di
elaborazione 1.
Conoscenze e abilità da acquisire:
S’intende formare una figura professionale in grado di descrivere, raccogliere, organizzare e gestire
grandi moli di dati mediante rigorose metodologie informatiche. A questo scopo, s’intende
promuovere la conoscenza dei principale metodi e strumenti di gestione della basi di dati, con
speciale attenzione alla progettazione e interrogazione di una base dati. S’intendono poi – delineare
anche solo per via d’accenno – i concetti relativi ai sistemi informativi automatizzati e le
problematiche di natura informatica derivanti dalla gestione di grandi moli di dati.
Modalità di esame:
Prova scritta e una prova pratica. La prova scritta verte sulla progettazione di una base di dati di cui
sono forniti i requisiti nel tema della prova e potrà includere quesiti su qualsiasi argomento del
programma.
La prova pratica è svolta in laboratorio, al calcolatore e in modo autonomo. Essa consiste nella
realizzazione, popolamento e interrogazione, mediante Structured Query Language (SQL) ed un
sistema di gestione di basi di dati (SGBD), di una base di dati il cui schema è fornito nel tema della
prova.
78
Criteri di valutazione:
Per la prova scritta, si valuterà innanzitutto la capacità di produrre schemi di dati di cui sono stati
forniti i requisiti. Oltre all’utilizzo corretto della grammatica del modello ER, si considererà
importante la rispondenza esatta ai requisiti, cioè, che lo schema rispetti tutti e solo i requisiti dati.
Si terrà conto anche della calligrafia e dell’ordine di tenuta del foglio d’esame.
Per la prova pratica, si valuterà innanzitutto la correttezza logica e sintattica delle istruzioni SQL. Si
terrà conto delle capacità d’uso del calcolatore e di produrre autonomamente <<file>> richiesti dal
tema della prova.
L’esame è superato solo se si supera ciascuna prova con un voto sufficiente. Il voto finale di esame
è una media ponderata dei voti delle due prove superate; il peso della prova scritta è del 70%. È
possibile rifiutare il voto di una prova senza dover rifiutare il voto dell’altra prova. Una prova può
essere sostenuta in un appello diverso da quello dell’altra prova. Il voto di una prova rimane valido
fino all’ultimo appello previsto per l’anno accademico in cui si è sostenuta la prova.
Contenuti:
S'introdurranno i concetti principali dei sistemi informativi: definizione di sistema informativo,
informazione, dato, dato atomico, metadato, dato nullo per assenza, ignoranza o inapplicabilità
dell'informazione.
Si presenteranno le definizioni fondamentali della rappresentazione dei dati, cioè quelle di
proprietà, attributo come campo o derivato da una funzione, meccanismo di classificazione,
insieme, estensione ed intensione, identità di un elemento di un insieme. Si procederà poi ad
illustrare i meccanismi di aggregazione, generalizzazione, riuso top-down o bottom-up.
Si introdurrà il concetto generale di modello di dati da quello di realtà d'interesse per poi definire
quello di schema e di catalogo dei metadati. Si vedranno i tre tipi di modello: concettuale, logico e
fisico. Si darà un cenno al sottoschema (view, vista) materializzato o no.
Si presenterà in modo rigoroso il concetto di base di dati e di sistema di gestione di basi di dati
(SGBD).
Si affronterà il tema delle operazioni: lettura (interrogazione), scrittura (inserimento, modifica,
cancellazione), operazione interattiva e operazione batch con attenzione alla dimensione dei dati,
all'efficienza e alla scalabilità delle operazioni che fanno parte di un'applicazione di basi di dati.
S'introdurranno i concetti di utente, tipo di utente e linguaggio di gestione dei dati per passare poi
alle caratteristiche di un SGBD: natura autodescrittiva, viste multiple, condivisione, gestione dei
conflitti, controllo della ridondanza, indipendenza fisica, indipendenza logica, sicurezza, controllo
degli accessi, privilegi, ripristino, backup, mirroring, log file.
A partire dai requisiti e dai vincoli che costituiscono la realtà d'interesse, s'introdurrà la
progettazione di una base di dati articolata nelle sue fasi: raccolta dei requisiti, analisi dei requisiti,
glossario dei termini, lista delle operazioni, definizione del costo computazionale e costo
economico.
S'illustrerà il modello Entità-Associazione (Entity-Relationship, ER) e i suoi costrutti: entita',
associazione, attributo. Si approfondiranno il grado di un'associazione, le regole di redazione degli
schemi ER, il rapporto di cardinalita', l'attributo identificatore, la generalizzazione /
specializzazione, l'ereditarieta', le generalizzazioni parziale, totale, esclusiva, sovrapposta.
Si utilizzeranno gli schemi ER per valutare il costo computazionale di un'operazione in termini di
numero di accessi, spazio di memoria e il trade-off tra essi. A tal scopo, si utilizzera' la matrice
CRUD.
Cio' permettera' di passare alla ristrutturazione dello schema per arrivare poi allo schema logico.
Durante la ristrutturazione, si individueranno i dati ridondanti e si utilizzeranno partizionamenti e
accorpamenti. Le eventuali generalizzazioni saranno sostituite mediante appositi metodi di
sostituzione: accorpamento in entita' generale, accorpamento in entita' specifica, traduzione in
associazione.
79
Si presentera' il modello logico e i concetti di campo, tupla, tabella, chiave, chiave esterna, vincolo
di integrita' referenziale. Si presentaranno i meccanismi di traduzione delle entita' e delle
associazioni con riferimento al costo computazionale e al rapporto di cardinalita'. Saranno trattati
anche i casi di associazione ternaria e d'identificatore esterno.
L'attivita' di laboratorio sara' dedicata all'acquisizione degli strumenti principali di SQL che sono
necessari alla gestione delle tabelle e dei dati contenuti in esse con attenzione alla logica
dell'interrogazione, affinche' lo studente possa formulare qualsiasi interrogazioni per basi di dati di
qualsiasi complessita'.
Attività di apprendimento previste e metodologie di insegnamento:
L'attivita' di apprendimento principale si svolge in aula in forma di lezioni frontali tenute in italiano
con l'ausilio della lavagna e del video proiettore. Attivita' altrettanto importante e' lo studio
individuale e in particolare lo svolgimento di temi d'esame e la soluzione di problemi posti a
lezione, autonomamente o in gruppo. Si raccomanda di approfittare del ricevimento per presentare
al docente gli esercizi svolti e ottenere suggerimenti utili alla preparazione per l'esame. Sebbene la
frequenza delle lezioni sia facoltativa, si consiglia di partecipare alle lezioni comunque. Nel caso in
cui si decida di prepararsi autonomamente, si consiglia di svolgere i temi d'esame e risolvere i
problemi posti a lezione. In particolare, nel caso in cui si decida malauguratamente di non
partecipare alle lezioni di laboratorio, si suggerisce di installare e utilizzare sul proprio calcolatore
un SGBD relazionale come, ad esempio, MySQL o MariaDB; va bene anche PostgreSQL, ma si
faccia attenzione alle differenze di sintassi di SQL e dei comandi di gestione del server.
Eventuali indicazioni sui materiali di studio:
Prima dell'inizio delle lezioni sara' resa disponbile una dispensa con i contenuti delle lezioni e
alcuni temi d'esame svolti.
Per il laboratorio, ci sono molte guide su SQL e sull'implementazione di MySQL, MariaDB e
PostgreSQL. Si suggerisce di far riferimento alla documentazione disponibile sui siti WWW di
questi SGBD.
Testi di riferimento:
- Melucci, Massimo, Basi di dati. Bologna: Esculapio, 2013. Edizione di settembre (non
quella di marzo) 2013. Capitoli 1, 2, glossario dei termini.
- Atzeni, Paolo et al, Basi di dati. Milano: McGraw-Hill, 2014. Capitoli: 1, 2, 4. Paragrafi:
6.1-2, 7.1-6, 8.1-5.
- MySQL AB, MySQL guida ufficiale. Milano: Mondadori informatica, 2006.
BASI DI DATI 2
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Prof. M. Melucci)
Prerequisiti:
E' richiesta la conoscenza dei concetti di Basi di Dati 1, dell'architettura e del sistema operativo di
un calcolatore e della programmazione illustrati in Sistemi di elaborazione 1.
Conoscenze e abilità da acquisire:
S'intende formare una figura professionale in grado di descrivere, raccogliere, organizzare, gestire e
analizzare grandi moli di dati eterogenei mediante rigorose metodologie informatiche. A questo
scopo, s'intende promuovere la conoscenza dei principali metodi e strumenti di gestione di dati
strutturati, semi-strutturati e non strutturati, con speciale attenzione all'estrazione e all'analisi di basi
di dati anche di grandi dimensioni. S'intendono poi delineare i concetti principali relativi ai sistemi
80
informativi automatizzati mediante il World Wide Web (WWW) e le problematiche di natura
informatica derivanti dalla gestione di enormi moli di dati (big data).
Modalità di esame:
L'esame consiste di una prova scritta e di una prova pratica che, nel caso dei non frequentanti o
comunque in appelli successivi al primo, e' integrata da una prova orale. La prova scritta verte sui
metodi di progettazione e accesso a basi di dati strutturati, semi-strutturati e non strutturati trattati
durante l'insegnamento.
Per i frequentanti, la prova pratica del primo appello e' svolta in laboratorio, al calcolatore e in
modo autonomo. Essa consiste nella realizzazione di semplici applicazioni di basi di dati strutturati,
semi-strutturati e non strutturati, simili alle esercitazioni svolte durante le lezioni.
I non frequentanti o comunque coloro, anche frequentanti, che svolgono la prova in appelli
successivi al primo, devono contattare il docente con un certo anticipo rispetto all'orale per
concordare il tema della prova pratica che sara' realizzata in modo autonomo e discussa oralmente
in sede d'esame. Il colloquio e' parte integrante della prova pratica.
Criteri di valutazione:
Per la prova scritta, si valutera' innanzitutto la completezza, la competenza e la precisione di
risposta ai quesiti. Si terra' conto anche della calligrafia e dell'ordine di tenuta del foglio d'esame.
Per la prova pratica, si valutera' innanzitutto l'utilizzo appropriato dei metodi e degli strumenti
informatici. Si terra' conto della capacita' d'uso del calcolatore e di produrre autonomamente i file
richiesti dal tema della prova. Nel caso di colloquio orale, si valuteranno anche le conoscenze
generali dei contenuti dell'insegnamento oltre a quelle specifiche della prova pratica.
L'esame e' superato solo se si supera ciascuna prova con un voto sufficiente. Il voto finale d'esame
e' la media dei voti delle due prove superate. E' possibile rifiutare il voto di una prova senza dover
rifiutare il voto dell'altra prova. Una prova puo' essere sostenuta in un appello diverso da quello
dell'altra prova. Il voto di una prova rimane valido fino all'ultimo appello previsto per l'anno
accademico in cui si e' sostenuta la prova.
Contenuti:
I contenuti dell'insegnamento vertono su tre tipi di dato fondamentali: strutturato, semi-strutturato e
non-strutturato, come illustrato di seguito.
S'introdurranno le problematiche e le metodologie di analisi di basi di dati strutturati, anche di
grandi dimensioni, con particolare attenzione all'efficienza. Si vedra' come Structured Query
Language (SQL) puo' essere utilizzato per estrarre, riassumere e analizzare dati organizzati in
tabelle, specialmente quando gli strumenti di analisi statistica non sono in grado di far fronte
all'enorme massa delle basi di dati reali.
Si introdurranno gli elementi essenziali dell'organizzazione dei dati in memoria di massa e delle
strutture per gli indici e si vedra' come la scelta degli indici ha effetto sull'efficienza dell'analisi dei
dati. Si presentaranno - anche se solo in via d'accenno - i concetti e i risultati principali della teoria
relazionale allo scopo di mostrare la logica con cui un SGBD ottimizza le proprie prestazioni.
S'introdurranno le problematiche e le metodologie di analisi di basi di dati semi-strutturati, sia quelli
relazionali ad oggetti che quelli ad albero. Per i primi, si riprenderanno i concetti di classe ed
ereditarieta' introdotti con il modello ER e s'introdurra' SQL-3. Per i secondi, si presenteranno i
81
concetti generali dei dati semi-strutturati ad albero e le tecnologie eXtended Markup Language
(XML), XPath e XQuery.
S'introdurranno le problematiche e le metodologie di analisi di collezioni di dati non strutturati
(Information Retrieval, IR) che stanno alla base dei motori di ricerca. Si presenteranno inoltre i
metodi principali di indicizzazione, reperimento e ordinamento. Si dara' cenno ai principali modelli
teorici di reperimento. S'illustreranno le metodologie di valutazione dei sistemi di IR. Si accennera'
alla tecnologia di tipo NoSQL.
L'attivita' di laboratorio vertera' su tutti gli argomenti trattati in aula durante le lezioni frontali oltre
che gli argomenti relativi alle tecnologie d'accesso a basi di dati mediante WWW.
Attività di apprendimento previste e metodologie di insegnamento:
L'attivita' di apprendimento principale si svolge in aula in forma di lezioni frontali tenute in italiano
con l'ausilio della lavagna e del video proiettore. Sebbene la frequenza delle lezioni sia facoltativa,
si consiglia di partecipare alle lezioni comunque, specialmente a quelle di laboratorio.
Attivita' altrettanto importante e' lo studio individuale e in particolare lo svolgimento di
esercitazioni proposte alle lezioni di laboratorio da svolgere in modo individuale o in coppia. Ogni
esercitazione dovra' essere consegnata appena dopo la lezione in cui e' stata proposta e comunque
prima della lezione di laboratorio successiva. Lo svolgimento regolare delle esercitazioni facilita
quello della prova pratica d'esame. Si raccomanda di approfittare del ricevimento per presentare le
esercitazioni in via di svolgimento e ottenere suggerimenti dal docente.
Durante l'attivita' di laboratorio, si affronteranno le problematiche dell'accesso a basi di dati
mediante il WWW mediante linguaggi di scripting come ad esempio PHP e Javascript.
Eventuali indicazioni sui materiali di studio:
Prima dell'inizio delle lezioni sara' resa disponbile una dispensa con i contenuti delle lezioni. Il
materiale delle esercitazioni di laboratorio sara' reso disponibile man mano che si procede
l'insegnamento.
Testi di riferimento:
- Melucci, Massimo, Basi di dati. Bologna: Esculapio, 2013. Edizione di settembre (non
quella di marzo) 2013. Capitoli: 3, 4, 5, 6 .
- Melucci, Massimo, Information Retrieval: metodi e modelli per motori di ricerca. Milano:
Franco Angeli, 2013. Capitoli: 1, 2, 3, 4, 5 .
- Atzeni, Paolo et al, Basi di dati. Milano: McGraw-Hill, 2014. Capitoli: 3, 4, 5, 9, 11, 14, 18
(consultazione), 19. Paragrafi: 13.1-2.
- Linoff, Gordon S., Data Analysis Using SQL and Excel. Indianapolis, IN, USA: Wiley,
2008. Per consultazione.
BIODEMOGRAFIA
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Prof. S. Mazzuco)
Prerequisiti:
Istituzioni di Calcolo delle Probabilità, Statistica 2.
82
Conoscenze e abilità da acquisire:
Il corso affronta i concetti ed i metodi alla base degli studi biodemografici con particolare interesse
agli aspetti della riproduzione e della sopravvivenza. Il corso intende fornire agli studenti una
comprensione generale delle leggi di mortalità e riproduttività delle popolazioni , dei meccanismi di
crescita e dell’evoluzione della struttura per sesso ed età.
Modalità di esame:
Esame scritto e orale.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti
svolti, sull'acquisizione dei concetti e delle metodologie proposte, e sulla capacità di applicarli.
Contenuti:
1. Fecondità e riproduzione [3 CFU]
- Misure della fecondità, studio per coorte e per contemporanei, effetto cadenza ed effetto intensità,
modello di Bongaarts e Feeney.
- Le determinanti prossime biologiche e comportamentali della fecondità. Fertilità, sterilità,
fecondabilità; problemi di stima. Il modello di Bongaarts.
- Leggi di fecondità (Coale-McNeill, Peristera-Kostaki, Hadwiger).
2. Sopravvivenza e mortalità [4 CFU]
- Metodi di base per lo studio della mortalità: la tavola di mortalità e le sue funzioni, approccio di
coorte e di periodo, indicatori di mortalità. Estensione delle tavole di mortalità alla stima della
sopravvivenza in buona salute.
- Aspetti della mortalità umana: transizione sanitaria ed epidemiologica, orizzontalizzazione,
verticalizzazione, estensione della longevità.
- Leggi di mortalità: tavole tipo empiriche, legge di Gompertz, funzioni matematiche (Siler,
Heligman-Pollard). Applicazioni delle leggi per previsioni di mortalità.
- Studi sulla longevità estrema. Tavole di mortalità per età avanzate.
- Cause di morte e metodi per la loro analisi. Tavole di mortalità a decremento multiplo e distinte
per causa.
3. Evoluzione delle popolazioni [2 CFU]
- Misure e modelli di crescita della popolazione (tassi di accrescimento, curva logistica).
- Struttura per sesso ed età di una popolazione. Sua evoluzione, matrice di Leslie, equazione di
Lotka. Popolazioni stabili e stazionarie. Rapporto dei sessi alla nascita e alle diverse età.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso si avvale di lezioni frontali, esercitazioni e laboratori in aula informatica. L’attività di
laboratorio accompagnerà le lezioni frontali per dare un maggiore comprensione dei meccanismi
che regolano i processi di riproduzione e sopravvivenza in una popolazione.
Testi di riferimento:
- Preston S.H., Heuveline P., Guillot M., Demography. Measuring and Modeling Population
Processes. --: Blackwell Publishing, 2001.
- Caselli G., Vallin J., Wunsch G., Demografia. La dinamica delle popolazioni. --: Carocci,
2001.
- Caselli G., Vallin J., Wunsch G., Analisi Demografica. Nuovi approcci: dall'omogeneità
all'eterogeneità delle popolazioni.. --: Carocci, 2001.
83
BIOIMMAGINI
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Saccomani)
L’insegnamento è mutuato da BIOIMMAGINI, Corso di Laurea Magistrale in Bioingegneria.
Prerequisiti:
Si consiglia come prerequisito l'esame di Elaborazione di segnali biologici.
Conoscenze e abilità da acquisire:
Il corso si propone di fornire delle conoscenze su metodologie avanzate per l'elaborazione
dell'immagine in campo biomedico. Verrà introdotta ed approfondita la teoria su cui tali
metodologie si basano. Verranno infine presentate alcune applicazioni di queste metodologie ad
immagini di tipo biomedico.
Modalità di esame:
L'esame è costituito da due prove:
1°: esame scritto con prova teorica sul programma svolto a lezione.
2°: prova pratica di Matlab da svolgere al calcolatore.
Le due prove sono inscindibili (non se ne può ripetere una sola delle due).
Criteri di valutazione:
Homework, esame scritto e prova in Matlab.
Contenuti:
Cenni di codifica e campionamento delle immagini biomediche.
Il miglioramento dell’immagine nel dominio spaziale: operatori puntuali, locali e globali, lineari e
non lineari.
La Digital Subtraction Angiography.
Il miglioramento dell’immagine nel dominio delle frequenze: filtri passa-basso e passa-alto.
Tecniche di segmentazione ed estrazione di bordi: operatori differenziali di primo e secondo ordine,
operatori di soglia, operatori di region growing, operatori morfologici.
Definizione matematica dei modelli deformabili dei contorni (snakes) e loro applicazione alla
medicina.
Cenni di rappresentazione e descrizione di un’immagine.
Analisi delle immagini retiniche.
Registrazione di immagini: a) definizione del problema e scopi in medicina; b) tecniche di
registrazione; c) applicazione ad immagini CT, NMR e PET del cervello; d) ottimizzazione della
registrazione.
La ricostruzione di sezioni 2D da proiezioni 1D. Applicazioni alle immagini TAC.
Applicazioni ed esempi di tutte le metodologie studiate ad immagini biomediche.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali e laboratorio di informatica durante l'orario di lezione.
Eventuali indicazioni sui materiali di studio:
Appunti e lucidi del corso. I files PDF delle lezioni ed eventuale materiale aggiuntivo (articoli
scientifici ecc.) saranno disponibili sulla pagina web del corso (area riservata) alcuni giorni prima
delle lezioni. Articoli scientifici. Testi consigliati.
84
Testi di riferimento:
- Lim J.S., Two-Dimensional Signal and Image Processing.. New Jersey: Prentice-Hall Inc.,
1990. capitoli 7 e 8.
- Gonzales R.C., Woods R.E., Digital Image Processing.. New Jersey: Pearson Prentice Hall.,
2008.
BIOSTATISTICA COMPUTAZIONALE E BIOINFORMATICA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. C. Romualdi)
Prerequisiti:
Statistica progredito, Calcolo delle Probabilità e Modelli Statistici II.
Conoscenze e abilità da acquisire:
Introduzione ai problemi biologici legati alla complessità dei dati provenienti dalle nuove tecniche
di sequenziamento.
Introduzione ai modelli statistici per dati genomici e trascrittomici.
Capacità di affrontare l'analisi completa dei dati: dal dato grezzo all'interpretazione del risultato.
Capacità di scrivere una breve tesina su un dataset opportunamente assegnato dal docente.
Modalità di esame:
Esame Scritto.
Criteri di valutazione:
Saranno criteri di valutazione: la capacità espositiva della tesina, la congruenza dei metodi usati per
l'analisi dei dati assegnati, e la completezza delle risposte nell'esame scritto.
Ulteriori criteri saranno l'analisi critica dei risultati e l'indipendenza nell'affrontare i temi proposti.
Contenuti:
Il completamento del progetto genoma umano e con esso l'inizio di una serie di progetti di
sequenziamento sistematico di molti organismi complessi ha aumentato enormemente la quantità di
informazioni disponibili riguardanti sequenze geniche e proteiche. Questa grande disponibilità di
dati biologici ha quindi rivoluzionato e rivoluzionerà ulteriormente la ricerca genetica e la
comprensione di molti aspetti biologici quali la regolazione genica, l'interazione fra proteine e
l'attivazione e la soppressione di vie metaboliche. In questo contesto quindi, la quantità di dati
congiuntamente alla natura complessa degli stessi hanno reso l'analisi statistica un passo obbligato
per la loro comprensione.
Il corso tratterà i seguenti argomenti:
- Introduzione alla Genomica, Trascrittomica e Proteomica. Database di dati genomici di
riferimento mondiale disponibili al National Center of Biotechnology Information (NCBI),
GeneBank, GEO, EntrezGene, OMIM, e in altri centri di riferimento, SwissProt, UniProt, Pfam.
Sistemi integrati di interazione con questi database (interfacce web).
- Allineamento di sequenze. Algoritmi di allineamento, allineamenti globali e locali.
Programmazione Dinamica, algoritmi euristici (BLAST, FASTA). Significatività dello score di un
allineamento, approccio Bayesiano e approccio classico (valori estremi). Cenni all’utilizzo degli
hidden Markov model (HMM) per l'allineamento di sequenze.
- Analisi di dati di espressione derivanti da esperimenti di microarray Normalizzazione dei dati,
metodi globali e locali (lowess), trasformazioni per la stabilizzazione della varianza. Applicazione
di analisi cluster e analisi discriminante. Verifica d'ipotesi per l'identificazione di geni
85
differenzialmente espressi, test moderati, approcci permutazionali. Problema dei confronti multipli,
controllo del False Discovery Rate (FDR).
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali e laboratori informatici.
Eventuali indicazioni sui materiali di studio:
Materiale didattico predisposto dal docente.
Testi di riferimento:
- Parmigiani G, Garrett ES, Irizarry R, and Zeger SL., The analysis of gene expression data:
methods and software. New York: Springer, 2003.
- Gentleman R. Carey V.J. Huber, Bioinformatics and computational biology solutions using
R and Bioconductor,. New York: Springer, 2005.
- Ewens, Warren J., Grant, Gregory R., Statistical Methods in Bioinformatics. An
introduction. New York: Springer, 2005.
CALCOLO DELLE PROBABILITA'
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. A. Bianchi)
Prerequisiti:
Solide basi di Analisi Matematica e Algebra lineare.
Conoscenze e abilità da acquisire:
Al termine del corso, lo studente:
-possiede nozioni approfondite della teoria classica del Calcolo delle Probabilità, incluso la
convergenza di variabili aleatorie e i principali teoremi limite;
-è in grado di risolvere autonomamente problemi di probabilità relativi alle applicazioni, ed in
particolare alle applicazioni statistiche.
Modalità di esame:
Prova scritta.
Criteri di valutazione:
Esame finale (100%).
Contenuti:
Spazio di probabilità: Spazio campionario, eventi, algebre e sigma-algebre, probabilità e sua
proprietà fondamentali. Elementi di calcolo combinatorio e spazi discreti uniforme. Probabilità
condizionata ad un evento e sue proprietà. Formula delle probabilità totali, formula di Bayes.
Indipendenza di eventi e di sigma-algebre. Prove ripetute indipendenti: caso finito e caso infinito.
Definizione di liminf e limsup di eventi e lemma di Borel-Cantelli.
Distribuzioni discrete unidimensionali: Variabili aleatorie, distribuzione e sue proprietà, densità di
probabilità discrete, media, varianza e momenti di ordine k. Distribuzioni discrete notevoli:
distribuzione uniforme, di Bernoulli, binomiale, geometrica, ipergeometrica, binomiale negativa, di
Poisson. Distribuzioni discrete multidimensionali. Vettori aleatori multidimensionali. Distribuzione
congiunta e distribuzione marginale di variabili aleatorie discrete. Indipendenza e non-correlazione.
Covarianza e coefficiente di correlazione. Casi notevoli: distribuzione multinomiale e
86
ipergeometrica multinomiale. Somma di variabili aleatorie e alcuni casi notevoli. Distribuzioni
discrete condizionate e valore atteso condizionato.
Distribuzioni assolutamente continue unidimensionali. Funzione di ripartizione, caso singolare, caso
assolutamente continuo e densità di probabilità, media, varianza e momenti di ordine k.
Distribuzioni assolutamente continue notevoli: distribuzione uniforme, esponenziale, Gaussiana,
Gamma, di Cauchy, Chi-quadro, Beta. Variabili aleatorie con distribuzione mista. Stima delle code
per variabili normali.
Distribuzioni assolutamente continue multidimensionali. funzione di ripartizione congiunta e
marginale, densità di probabilità congiunta e marginale, Indipendenza e noncorrelazione.
Covarianza e coefficiente di correlazione. Densità della somma di variabili aleatorie e alcuni casi
notevoli. Esempi: distribuzione di Dirichlet, distribuzione Gaussiana n-dimensionale, distribuzione
uniforme multidimensionale.
Riordinamento di numeri aleatori indipendenti con distribuzione uniforme in [0, 1]. Distribuzioni
assolutamente continue condizionate e valore atteso condizionato.
Funzione generatrice di probabilità, funzione generatrice dei momenti, funzione caratteristica.
Disuguaglianza di Markov e di Chebicev, disuguaglianza di Jensen. Convergenza di variabili
aleatorie e teoremi limite. Convergenza quasi certa, in probabilità, in media di ordine p, in
distribuzione: esempi, proprietà e relazioni tra i diversi tipi di convergenza. Casi particolari:
convergenza della distribuzione geometrica a quella esponenziale, convergenza della distribuzione
binomiale a quella di Poisson, il teorema di De Moivre Laplace. Legge dei grandi numeri (in senso
debole e in senso forte). Teorema del limite centrale e applicazioni.
Attività di apprendimento previste e metodologie di insegnamento:
82 ore di lezioni frontali, delle quali 56 di teoria e 26 di esercitazioni.
Eventuali indicazioni sui materiali di studio:
Le lezioni del corso saranno disponibili agli studenti sul sito di moodle.
Testi di riferimento:
- S. Ross, Calcolo delle Probabilità. Milano: Apogeo, 2013.
- S.I. Resnick, A Probability Path. --: Birkhauser, 1999. Testo di consultazione.
- P. Baldi, Calcolo delle Porbabilità. --: McGraw-Hill, 2011. Testo di consultazione.
- P. Dai Pra e F. Caravenna, Probabilità. Testo di consultazione: Springer, 2013.
CALCOLO NUMERICO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Vianello)
L’insegnamento è mutuato da CALCOLO NUMERICO E PROGRAMMAZIONE, Corso di Laurea
Magistrale in Astronomia.
Prerequisiti:
Analisi matematica 1 e 2 .
Algebra lineare e geometria.
Conoscenze e abilità da acquisire:
Apprendere le basi del calcolo numerico in vista delle applicazioni in campo scientifico e
tecnologico, con particolare attenzione ai concetti di errore, discretizzazione, approssimazione,
convergenza, stabilita', costo computazionale.
87
Modalità di esame:
Prova orale.
Contenuti:
Sistema floating-point e propagazione degli errori.
Soluzione numerica di equazioni non lineari.
Interpolazione e approssimazione di dati e funzioni.
Integrazione e derivazione numerica.
Elementi di algebra lineare numerica.
Introduzione ai metodi alle differenze finite per equazioni differenziali.
Attività di apprendimento previste e metodologie di insegnamento:
Sistema-floating point e propagazione degli errori:
errore di troncamento e di arrotondamento, rappresentazione floating-point dei reali, precisione di
macchina, operazioni aritmetiche con numeri approssimati, condizionamento di funzioni,
propagazione degli errori in algoritmi iterativi per esempi, il concetto di stabilita'.
Soluzione numerica di equazioni non lineari:
metodo di bisezione, stima dell'errore col residuo pesato; metodo di Newton, convergenza globale,
velocita' di convergenza, convergenza locale, stima dell'errore, altri metodi di linearizzazione;
iterazioni di punto fisso.
Interpolazione e approssimazione di funzioni e dati:
interpolazione polinomiale, interpolazione di Lagrange, errore di interpolazione, il problema della
convergenza (controesempio di Runge), interpolazione di Chebyshev, stabilita' dell'interpolazione;
interpolazione polinomiale a tratti, interpolazione spline; approssimazione polinomiale ai minimi
quadrati.
Integrazione e derivazione numerica:
formule algebriche e composte, convergenza e stabilita', esempi; instabilita' dell'operazione di
derivazione, calcolo di derivate tramite formule alle differenze; il concetto di estrapolazione.
Elementi di algebra lineare numerica:
norme di vettori e matrici, condizionamento di matrici e sistemi; metodi diretti: metodo di
eliminazione gaussiana e fattorizzazione LU, calcolo del determinante, calcolo della matrice
inversa, fattorizzazione QR, soluzione ai minimi quadrati di sistemi sovradeterminati; metodi
iterativi: i metodi di Jacobi e Gauss-Seidel, struttura generale delle iterazioni stazionarie,
precondizionamento; metodo delle potenze per il calcolo di autovalori estremali.
Introduzione ai metodi alle differenze finite per equazioni differenziali:
i metodi di Eulero esplicito ed implicito, il metodo trapezoidale, convergenza e stabilita', sistemi
stiff; equazione di Poisson 1d e 2d; metodo delle linee per l'equazione del calore.
Laboratorio: implementazione e applicazione di codici numerici in Matlab e Python.
Eventuali indicazioni sui materiali di studio:
Uno dei testi consigliati e dispense online del docente (www.math.unipd.it/~marcov/studenti.html).
Testi di riferimento:
- Quarteroni, F. Saleri, Introduzione al calcolo scientifico. --: Springer, --.
88
-
Quarteroni, F. Saleri, Scientific computing with Matlab and Octave. --: Springer, --. for
Erasmus students .
G. Rodriguez, Algoritmi numerici. --: Pitagora, --.
COMPUTATIONAL FINANCE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Caporin)
L’insegnamento è mutuato da COMPUTATIONAL FINANCE, Corso di laurea magistrale in
Economics and Finance – Economia e Finanza.
Prerequisiti:
Elements of Economics and Mathematics of Financial Markets, elements of Statistics and
Econometrics.
Conoscenze e abilità da acquisire:
The course, based on two modules, aims at providing to the students the ability to address
computational problems and issues in the broad area of finance. Emphasis will be given to the asset
allocation framework. A the end of the course students will become advanced users of a statistical
software enabling them to formalize and solve the computational problem related to an empirical
finance question. The main module of the course will cover the formalization of computational
problems into a statistical package.
The minor introductory module (first 10-12 lectures) will focus on an introduction to the financial
economic theories and models needed to understand the main quantitative module.
Modalita' di esame: The exam will be given in the form of a group homework. Each group (a
team), will receive, at a beginning of the course (groups will be formed within the first two weeks
of lectures), a list of tasks pointing at computational finance questions. The tasks list will be
interated during the course. Each team will have to coordinate activities, inducing team members to
interact. During the exam session, each team will show results in the form of a presentation
(PowerPoint-like). Each team member must have full knowledge of the presentation and of the
analyses performed by the team and of the main findings.
Criteri di valutazione:
The evaluation of the group homework will be based on the following criterias:
- presence of appropriate answers to the various tasks assigned to the team;
- appropriateness of the quantitative tools adopted by the team;
- interpretation/economic intuition of the results obtained;
- interaction across team members.
Modalità di esame:
The exam will be given in the form of a group homework. Each group (a team), will receive, at a
beginning of the course (groups will be formed within the first two weeks of lectures), a list of tasks
pointing at computational finance questions. The tasks list will be interated during the course. Each
team will have to coordinate activities, inducing team members to interact. During the exam
session, each team will show results in the form of a presentation (PowerPoint-like). Each team
member must have full knowledge of the presentation and of the analyses performed by the team
and of the main findings.
For students of the degree in Statistics: the team work will include a shorter task list. The team work
represents 65% of the final grade. The Financial Economnics module evaluation (35%) will be
determined with a written exam.
89
Criteri di valutazione:
The evaluation of the group homework will be based on the following criterias:
- presence of appropriate answers to the various tasks assigned to the team;
- appropriateness of the quantitative tools adopted by the team;
- interpretation/economic intuition of the results obtained;
- interaction across team members.
For students of the degree in Statistics: the written exam might include both theoretical questions
and empirical exercises based on the topics covered in the Financial Economics module.
Contenuti:
Part 1: The formalization of computational problems into a statistical package
- Introduction to the software; data management; basic tools for descriptive and graphical analyses;
- Basic data manipulation tools; using already implemented functions;
- Basic programming and how to write a batch file for execution;
- Introduction to simulation methods: simulations from a given density; resampling/bootstrap from
historical series; model-based bootstrap;
- Further elements will be introduced during the course, when needed.
Part 2: Asset Allocation
- The classic approach, Markowitz's world: the efficient frontier with and without the risk-free asset
and its empirical evaluation;
- Markowitz in realistic applications: no short selling constraints, linear constraints, turnover
constraints, inequality constraints, probabilistic constraints, cardinality constraints; empirical
examples; the need of non-standard optimization approaches (mixed quadratic-integer programming
and genetic algorithms);
- The use of Markowitz in asset allocation programs and for strategic asset allocation;
- Beyond Markowitz: from mean-variance, to mean-VaR; the optimization of alternative criterion
functions; higher order portfolio allocation, is it worth? the modern approach of Risk Budgeting,
implementation and examples; the information content of extreme market moves in the computation
of the mean-variance matrix (the Chow-Kritzmann approach); is the historic efficient frontier fully
reliable/the unique solution? Michaud’s simulation-based approach to the computation (and
rebalancing) of efficient portfolios;
- Investing for the long run: returns predictability and mean reversion; identification of optimal
portfolios and simulation of wealth paths.
Part 3: Risk Management and performance evaluation
- The construction of simulated track records in allocation programs; methods and indicators for
portfolio monitoring and performance evaluation; portfolio turnover and portfolios costs;
- Indicators for the evaluation of portfolio risk (market risk, credit risk, systemic risk); some notes
on operational risk;
- The VaR and ES as methods for the evaluation of market risk; computing VaR and ES for one
single position and at the portfolio level; historical approaches, model-based methods, simulation
approaches, the use of copula functions;
- Portfolio exposure to risk-factors: single-index and multifactor models; conditional factor models;
models for market timing; VaR with risk-factors.
Part 4: Pricing of derivatives and interest rates
- Pricing in Black & Scholes world; replicating Black & Scholes by simulation; pricing of selected
exotic options;
- Pricing by simulation and time-series model-based methods;
- Estimation of the interest rate zero curve by bootstrapping.
90
The program might be subject to changes depending on a number of elements including: the interest
of the students and their ability to solve computational problems with the statistical sowftare; the
occurrence of particular events in the financial markets. Changes to the program content will affect
the list of tasks included in the team work.
The program above refers to both the main module and the second module of the course.
For students in the degree of Statistics, the topics covered in the main module will be detailed at the
befinning of the course. The second module will deal with the following topics:
- Introduction to financial instruments and markets;
- Investment choices under uncertainty and the approach of Markowitz;
- Market equilibrium, CAPM and APT, and market efficiency;
- Derivative pricing in discrete and continuous time.
Attività di apprendimento previste e metodologie di insegnamento:
Theoretical lectures and empirical computer sessions.
Eventuali indicazioni sui materiali di studio:
Lecture notes will be distributed to students
Computer sessions and example codes will also be made available as well as the data sets used.
Testi di riferimento:
- Hull, J.C., Options, Futures and other derivatives. --: Prentice Hall, --. E' disponibile anche
una versione in Italiano.
- Roncalli, T., Introduction to risk parity and budgeting. --: Chapman & Hall, --.
- Bodie, Z., Kane, A. and Marcus, A.J., Investments. --: McGraw Hill, --.
- Hull, J.C., Risk management and financial institutions. --: Wiley Finance, --. E' disponibile
anche una versione in Italiano.
- Barucci, E., Marsala, C., Nencini, M., and Sgarra, C., Ingegneria finanziaria. --: Egea, --. .
- Elton, E.J., Gruber, M.J., Brown, S.J., and Goetzmann, W.N., Modern Portfolio Theory and
Investment Analysis. --: Wiley, --. E' disponibile anche una versione in Italiano.
CONTROLLO STATISTICO DELLA QUALITA’
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. G. Capizzi)
Prerequisiti:
Nessuno.
Conoscenze e abilità da acquisire:
Il corso intende presentare i principali metodi di controllo statistico della qualità ed il loro utilizzo
in diversi contesti applicativi. Alla fine del corso lo studente sarà in grado di valutare la stabilità nel
tempo della distribuzione di una e più caratteristiche di qualità e di studiare ed analizzare la capacità
di un sistema di produrre unità conformi rispetto alle specifiche di qualità richieste dal mercato.
Modalità di esame:
L'esame viene svolto in aula informatica. Lo studente dovrà rispondere ad un insieme di domande
aperte e a risposta multipla concernenti l'analisi di un insieme di dati. L'analisi dei dati è svolta
usando R.
91
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti
svolti, sull'acquisizione dei concetti e delle metodologie proposte e sulla capacità di applicarli in
modo autonomo e consapevole.
Contenuti:
1) Strategie di controllo statistico (univariato) della qualità di un prodotto e/o servizio.
a) Disegno di campionamento da un processo produttivo;
b) Elementi di base del controllo di accettazione;
c) Caratterizzazione delle fonti di variabilità (comuni e speciali) di un processo.
2) Carte di controllo parametriche univariate.
a) Carte di controllo di tipo Shewhart, CUSUM ed EWMA per variabili e per attributi;
b) Misure di efficienza e disegno ottimale delle carte di controllo (ARL, curve CO, FAP, calcolo
esatto e via simulazione);
c) Il caso di parametri noti e stimati (Fase I e Fase II del disegno);
d) Caratterizzazione di patterns nei dati casuali e non casuali.
3) Analisi della Capacità di un processo produttivo.
a) Misura di capacità e di performance di un processo produttivo(inferenza per misure di capacità
univariate);
b) Introduzione alle tecniche del Six-sigma System e del Lean Quality System;
c) Integrazione tra Controllo Statistico della Qualità e Analisi della Capacità.
4) Strategie per il miglioramento della qualità di un processo stabile.
a) Diagramma di Pareto, Procedura Failure Mode and Effective Analysis (FMEA);
b) Elementi dell’analisi DOE (disegno degli esperimenti, nested ANOVA per l’identificazione di
fonti significative della variabilità e per la determinazione delle opportunità di miglioramento).
Attività di apprendimento previste e metodologie di insegnamento:
Il corso prevede delle lezioni frontali ed un consistente numero di lezioni ed esercitazioni in aula
informatica. Durante tali esercitazioni si propone l'analisi di casi studio provenienti da diversi
contesti applicativi.
Eventuali indicazioni sui materiali di studio:
Durante il corso saranno messi in distribuzione i lucidi delle lezioni e le analisi dei casi studio
trattati in aula informatica.
Testi di riferimento:
- Montgomery D. C., Controllo statistico della qualità 2/ed.. --: McGraw-Hill., 2006. ISBN:
9788838662447.
- Qiu, Peihua., Introduction to statistical process control. --: CRC Press, 2013.
DATA ANALYSIS
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Chiogna)
Prerequisiti:
Basic Mathematics (undergraduate level). It would be advantageous to have some background
knowledge of elementary Probability Theory.
92
Conoscenze e abilità da acquisire:
The course is organized into two distinct parts, i.e., Statistical Methods and Applied Multivariate
Techniques. The purpose of the first part is to give an introduction to the statistical method and to
related concepts. Lectures will present the tools and concepts of statistical data analysis routinely
used in a variety of disciplines such as agriculture, medicine, biological sciences, economics,
engineering and so on. Such modulus is open to University of Padova PhD students and to Unipd
Master students coming from the School of Science and of Engineering.
Applied Multivariate Techniques provides a quick overview of multivariate techniques.
Modalità di esame:
For PhD students taking the first part of the course, the exam consists in the preparation of a poster,
to be presented at a poster session organized at the end of the course. Other students i will take a
written exam, comprehensive of both parts of the course.
Criteri di valutazione:
The successful student should show essential knowledge of the key concepts, development of skills
in the analysis of data and competency in applications.
Contenuti:
Part 1: Statistical Methods (6CFU)
- Visualization: plots including histograms, box plots, scatterplots, scatterplot matrices, etc.
- Summary statistics and goodness-of-fit tests. One- and two-sample examples, t and F
distributions.
- Concepts of simulation: simple simulation experiments.
- Linear regression, including multiple linear regression. Associated inference problems. Regression
diagnostics. Classical approaches to ANOVA. Model selection.
- Logistic regression and Poisson regression.
- Introduction to the design of experiments, observational studies and sampling methods.
Part 2: Applied Multivariate Techniques (3CFU)
- Dimension reduction.
- Classification.
- Clustering.
Attività di apprendimento previste e metodologie di insegnamento:
Lectures and Laboratories.
Eventuali indicazioni sui materiali di studio:
Specific applications can be found in the following books:
-Campbell, R.C. (1989). Statistics for Biologists (3rd ed.). Cambridge University Press.
-Devore, J.L. (2000). Probability and Statistics for Engineering and the Sciences (5th ed.). Duxbury
Press, Pacific Grove, CA.
-Agresti, A. & Finlay. B. (2007). Statistical Methods for the Social Sciences (4th ed.). Prentice Hall.
Testi di riferimento:
- Nolan, D.A. & Speed, T., Stat Labs: Mathematical Statistics Through Applications. --:
Springer, 2000. Cerca nel catalogo.
- Venables, W.N. & Ripley, B.D., Modern Applied Statistics with S.. --: Springer, 2002.
Cerca nel catalogo.
- Härdle, W. Simar, L., Applied Multivariate Statistical Analysis. --: Springer, 2007. Cerca
nel catalogo.
93
-
Venables, W.N. & Ripley, B.D., Modern Applied Statistics with S. --: Springer, 2002. Cerca
nel catalogo.
Hastie, T., Tibshirani, R., and Friedman, J., The Elements of Statistical Learning: Data
Mining, Inference, and Prediction. --: Springer, 2001. Cerca nel catalogo.
Mardia, K.V., Kent, J.T., and Bibby, J.M., Multivariate Analysis. --: Academic Press, 1979.
Cerca nel catalogo.
DEMOGRAFIA STORICA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. F. Rossi)
L’insegnamento è mutuato da DEMOGRAFIA STORICA, Corso di Laurea in Storia.
Prerequisiti:
Nessuno.
Conoscenze e abilità da acquisire:
Comprensione della dinamica della popolazione e delle sue conseguenze. Conoscenza delle
principali fonti di dati storico-demografici. Conoscenza e comprensione di alcune tra le principali
teorie sullo sviluppo della popolazione.
Modalità di esame:
Orale.
Criteri di valutazione:
resentazione chiara delle principali misure per lo studio dello stato e della dinamica delle
popolazioni. Familiarità con le principali fonti di dati storico demografici. Capacità di discussione
su alcune teorie di popolazione.
Contenuti:
Introduzione: Demografia, Demografia Storica, Storia della Popolazione; problemi e metodi.
Parte A: Elementi di Demografia.
Esame della struttura della popolazione; misure della dinamica complessiva e delle componenti:
natalità e fecondità, mortalità e tavole di mortalità, migrazioni.
Esempi di analisi di tipici dati storico demografici.
Ricostruzioni nominative e ricostruzioni aggregate della popolazione.
Parte B: Le fonti storico-demografiche.
Fonti religiose e fonti civili.
Periodo napoleonico e Restaurazione.
Rilevazione e qualità dei dati.
Parte C: Popolazione e sviluppo.
La transizione demografica. Lo spazio della crescita.
La demografia contemporanea verso l’ordine e l’efficienza: descrizione e interpretazione della
transizione.
Sviluppo demografico tra scelta e costrizione.
Terra, lavoro e popolazione: tra Malthus e Boserup.
Lo sviluppo della popolazione italiana.
94
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali con ausilio di proiezioni audiovisive. Occasionalmente, seminari tematici del
docente o di altri studiosi. Il corso è pensato per studenti frequentanti; chi fosse impossibilitato a
seguire le lezioni è invitato a contattare il Docente, anche con e-mail, per precisazioni sui testi e
indicazioni delle letture.
Eventuali indicazioni sui materiali di studio:
In sostituzione del manuale di Del Panta, Rettaroli, esaurito, anche se reperibile in alcune
Biblioteche del Sistema Bibliotecario Padovano, è possibile scaricare la dispensa: F. Rossi,
Demografia storica, reperibile nel seguente sito web:
http://homes.stat.unipd.it/fiorenzorossi/content/didattica.
Il Docente distribuirà materiale didattico nel corso delle lezioni. Il Docente indicherà a lezione
alcuni testi, riguardanti la storia della popolazione dell’Europa, o dell’Italia, o del Veneto, tra i quali
scegliere alcune letture; gli studenti non frequentanti possono richederli con e-mail.
Testi di riferimento:
- L. Del Panta, R. Rettaroli, Introduzione alla demografia storica. Roma-Bari: Editori Laterza,
1994. (Parti selezionate) Testo per consultazione, sostituito dalla dispensa "Demografia
storica" del docente.
- F. Rossi, Le fonti della Demografia storica in Italia e nel Veneto. Padova: Cleup editore,
2015.
- M. Livi Bacci, Storia minima della popolazione del mondo. Bologna: il Mulino, 2011.
Capitoli I, II, III, IV.
DEMOGRAFIA STORICA (AVANZATO)
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. I. Barbiera)
L’insegnamento è mutuato da DEMOGRAFIA STORICA (AVANZATO), Corso di Laurea in Scienze
Storiche.
Prerequisiti:
E’ auspicabile, ma non necessaria, una conoscenza di base delle dinamiche di popolazione,
acquisita durante la frequentazione del corso di demografia storica per il triennio.
Conoscenze e abilità da acquisire:
Comprensione delle dinamiche di popolazione.
Conoscenza dei metodi base di analisi demografica.
Conoscenza delle fonti per lo studio della demografia storica, loro limiti e potenzialità.
Conoscenza dei metodi demografici di analisi delle fonti storiche.
Capacità di analisi dei fattori culturali, sociali e ambientali che si combinano nel determinare
specifiche dinamiche demografiche nel passato.
Modalità di esame:
L’esame è in forma orale.
I non frequentanti sono tenuti a concordare il programma d'esame con la docente.
Criteri di valutazione:
Si valuteranno la conoscenza dei metodi demografici di base, la capacità di analisi critica delle fonti
in una prospettiva demografica, la comprensione dei fenomeni che interagiscono nel condizionare le
95
dinamiche demografiche, la capacità di valutazione critica di alcuni specifici “case studies” che
verranno analizzati e discussi a lezione.
Per i frequentanti sarà valutata anche l’attività svolta durante il corso.
Contenuti:
Titolo del corso: Strutture familiari, rapporti di genere e dinamiche di popolazione.
Il corso intende esplorare, attraverso uno studio interdisciplinare delle fonti e dei metodi di analisi
demografica, storica e antropologica le dinamiche di popolazione in diversi periodi storici.
Particolare attenzione sarà dedicata all'analisi delle strutture familiari, dei rapporti di parentela e dei
ruoli di genere e del loro reciproco legame con gli andamenti della fecondità e mortalità. Questi
aspetti saranno esaminati sia a livello teorico sia attraverso lo studio di specifici casi, relativi a
diversi momenti storici.
I principali temi trattati saranno così articolati:
•Le dinamiche di popolazione: introduzione ai metodi di analisi demografica.
•Le fonti della demografia storica: approccio interdisciplinare.
•Modelli di crescita e decrescita della popolazione (modello Maltusiano e sue revisioni).
•Dinamiche di popolazione nei momenti di transizione e trasformazione sociale.
•Matrimonio e fecondità.
•Vivere in famiglia: nascere, crescere e morire in una prospettiva di genere.
•Diseguaglianza sociale e di genere: modelli familiari, distribuzione delle risorse e mortalità.
•Uomini, donne, spazio e ambiente: le migrazioni e i loro effetti sociali e demografici.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso si articoletà in lezioni frontali, seminari ed esercitazioni. Sono previsti interventi di studiosi
esterni.
Ogni studente dovrà inoltre presentare e discutere a lezione dei saggi a scelta. La lista dei saggi e
copia degli stessi sarà fornita a lezione e sulla piattaforma moodle. Le presentazioni saranno
valutate e rappresenteranno parte del voto finale.
E’ caldamente consigliata la frequenza.
Eventuali indicazioni sui materiali di studio:
Frequentanti:
1) Materiali caricati su Moodle e discussi a lezione.
2) Livi Bacci, Storia Minima della popolazione del mondo, Bologna, 2002 (o per chi lo avesse già
letto: M Livi Bacci, La popolazione nella Storia d’Europa, Roma-Bari, 1998).
3) Un volume a scelta tra i seguenti:
•R.S. Bagnall e B. W. Frier, The demography of Roman Egypt, 1994.
•C. Clapish-Zuber e D. Hearlthy, I toscani e le loro famiglie: uno studio sul catasto fiorentino del
1427, Bologna, 1988. capitoli: I-III e capitoli dal XIV al XX.
•Il Veneto, a cura di Rossi, dalla Zuanna, Venezia, 2012.
•Y. Courbage, E. Todd, L’incontro delle civiltà, Milano, 2009.
Per i non frequentanti si consigliano i seguenti materiali che andranno comunque discussi con la
docente:
1) A. De Rose, Introduzione alla demografia, Roma, 2008.
2) A. Pasi, Contare gli uomini. Fonti, metodi temi di storia demografica, Milano, 1992.
3) M. Livi Bacci, Storia Minima della popolazione del mondo, Bologna, 2002.
4)C. Clapish-Zuber e D. Hearlthy, I toscani e le loro famiglie: uno studio sul catasto fiorentino del
1427, Bologna, 1988 capitoli: I-III e capitoli dal XIV al XX.
5)Il Veneto, a cura di Rossi, dalla Zuanna, Venezia, 2012.
96
Testi di riferimento:
- Livi Bacci, Massimo, Storia minima della popolazione del mondo. Bologna: Il Mulino,
2011. - Per tutti .
- De Rose, Alessandra, Introduzione alla demografiaAlessandra De Rose. Roma: Carocci,
2001. - Per i non frequentanti .
- Pasi, Antonia, Contare gli uominifonti, metodi, temi di storia demograficaAntonia Pasi.
Milano: LED, 1992. - Per i non frequentanti .
- Livi Bacci, Massimo, La popolazione nella storia d'EuropaMassimo Livi Bacci. Roma:
Laterza, 1998. - In alternativa a Storia Minima .
- Bagnall, Roger S.; Frier, Bruce W., The demography of Roman EgyptRoger S. Bagnall and
Bruce W. Frier. Cambridge: Cambridge university press, 1994. - A scelta per i frequentanti .
- Herlihy, David; Klapisch-Zuber, Christiane, I toscani e le loro famiglieuno studio sul catasto
fiorentino del 1427David Herlihy, Christiane Klapisch-Zuber. Bologna: Il mulino, 1988. - A
scelta per i frequentanti .
- Dalla Zuanna, G.; Rossi, F.; Rosina, A., Il Veneto. Storia della popolazione dalla caduta di
Venezia a oggi. Venezia: Marsilio, 2004. - A scelta per i frequentanti.
- Courbage, Youssef; Todd, Emmanuel, L'incontro delle civiltà. Milano: Tropea, 2009. - A
scelta per i frequentanti.
ECONOMIA AZIENDALE
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. F. Naccarato)
Prerequisiti:
Nessuno.
Modalità di esame:
L'esame consiste in una prova scritta e/o orale.
Criteri di valutazione:
In sede d'esame si valutera' la preparazione dello studente.
Contenuti:
1. Principi base di economia aziendale.
- Azienda e istituto. tematiche relative al governo delle aziende: la corporate governance.
- L’assetto istituzionale delle aziende: il soggetto economico, gli azionisti, i finanziatori e gli
stakeholder.
- I fini e le caratteristiche dell’azienda.
- Il principio di economicità.
2. L'analisi di settore, la strategia aziendale e le scelte strategiche, il vantaggio competitivo, la
catena del valore, il ruolo delle risorse e delle competenze.
3. Principi e modalità di funzionamento delle aziende.
- Le operazioni aziendali.
- Le caratteristiche delle operazioni aziendali.
- Le modalità di osservazione delle operazioni aziendali.
4. Il bilancio.
- Il bilancio come modello di rappresentazione delle operazioni aziendali.
- La determinazione del risultato di periodo e del capitale di funzionamento.
- Il metodo contabile.
- Le principali rilevazioni contabili: acquisti, vendite, finanziamenti, capitale.
97
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali ed esercitazioni in aula.
Eventuali indicazioni sui materiali di studio:
Cavalieri E., Ferraris Franceschi R., 2000, Economia aziendale, Vol. 1, Giappichelli, Torino.
Airoldi G., Brunetti G., Coda V., 2006, Economia aziendale, Il Mulino, Bologna.
Zattoni A., 2005, Chi dovrebbe governare un’impresa, Economia e Management, Vol. 4, pp. 61-78.
Copia dei lucidi usati a lezione. Eventuali materiali integrativi distribuiti a lezione.
Testi di riferimento:
- Bozzolan S., Favotto F., Parbonetti S., Economia Aziendale. Milano: McGraw-Hill, 2011.
Terza edizione.
ECONOMIA DEI MERCATI FINANZIARI
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. F. Fontini)
Prerequisiti:
Il corso non ha prerequisiti formali. E' comunque opportuno che lo studente abbia una buona
preparazione di base di microeconomia, macroeconomia, nonchè conosca e sappia usare gli
strumenti analitici di base (massimizzazioni e massimizzazioni vincolate, variabili casuali, elementi
di statistica descrittiva).
Conoscenze e abilità da acquisire:
Il corso si pone come obiettivo quello di fornire gli elementi analitici essenziali per la comprensione
delle problematiche specifiche dei mercati finanziari, e per la valutazione degli strumenti atti a
gestirle. Lo studente al termine del corso sarà in grado di comprendere le principali problematiche
relative alle scelte in condizioni di rischio e valutarne le principali applicazioni nei mercati
finanziari.
Modalità di esame:
L'esame consisterà in una prova scritta sugli argomenti sviluppati a lezione.
Criteri di valutazione:
Valutazione della comprensione degli argomenti svolti a lezione.
Contenuti:
Il corso sarà diviso in quattro grandi capitoli:
1) introduzione al concetto di rischio e scelta in condizioni di rischio.
2) modelli di equilibrio parziale per l'analisi della scelta in condizioni di rischio.
3) modelli di equilibrio economico generale in condizione di rischio.
4) i derivati finanziari, e le loro principali applicazioni.
I temi trattati saranno coerenti con i contenuti.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso si svolgerà tramite lezioni frontali in aula.
Eventuali indicazioni sui materiali di studio:
Lecture notes fornite dal docente e disponibili in moodle.
Slides fornite dal docente e disponibili su moodle sulla parte applicativa.
98
In alternativa (sconsigliata): Financial Economics, Eichberger and Harper, OUP, 1997. Altre
indicazioni bibliografiche verranno fornite durante il corso. Si consiglia per i non frequentanti, di
contattare il docente via mail.
ECONOMIA E GESTIONE DELLE IMPRESE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(A-L: Prof. M. Gianecchini; M-Z: Prof. P.Gubitta)
L’insegnamento è mutuato da ECONOMIA E GESTIONE DELLE IMPRESE 2, Corso di Laurea in
Economia e Management (ord. 2013).
Prerequisiti:
Il corso richiede la conoscenza di elementi base di organizzazione aziendale ed economia aziendale.
Conoscenze e abilità da acquisire:
- Saper comprendere e quantificare il valore delle persone nella crescita e nelle strategie
dell’impresa.
- Conoscere e usare i principali strumenti per la gestione delle risorse umane aziendali.
- Saper pilotare il contributo di diverse scelte di gestione del personale sulla performance aziendale.
- Saper valutare le proprie competenze in un’ottica di inserimento nel mercato del lavoro e di
sviluppo di carriera.
Modalità di esame:
L'esame si compone di tre parti:
- Esame scritto finale.
- Colloquio su argomenti teorici e applicazioni concrete.
- Analisi di un caso di studio assegnato dal docente all’'inizio del corso.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti svolti
a lezione, sulla partecipazione alle discussioni in classe e sulla capacità di sviluppare in autonomia
soluzioni a problemi di gestione del personale.
Contenuti:
Il corso si propone di fornire un quadro di tipo teorico e metodologico per la gestione delle risorse
umane integrata con la strategia d’impresa. L’attività di gestione delle risorse umane è da
considerarsi una competenza di general management, indispensabile non solo per gli esperti di
gestione del personale ma anche per coloro che operano in aree aziendali diverse e si trovano
quotidianamente a coordinare i propri collaboratori, valutarli, formarli.
Il corso intende inoltre fornire agli studenti gli strumenti per affrontare il mercato del lavoro e
impostare la propria carriera.
Le attività formative seguiranno un percorso che partendo dalla definizione della strategia aziendale
individua le quattro aree su cui si basa il ciclo del valore delle risorse umane:
- le persone - la gestione della motivazione, i mercati del lavoro, la programmazione del
personale e l’acquisizione delle risorse umane.
- le relazioni - il contratto collettivo, il contratto individuale e il commitment.
- la prestazione - lo sviluppo e la formazione del capitale umano, l’organizzazione del lavoro e il
performance management.
- la valorizzazione - sistemi di valutazione della posizione, del lavoratore e della performance, le
politiche retributive, la partecipazione del lavoratore all’impresa, la valorizzazione della varietà.
99
Attività di apprendimento previste e metodologie di insegnamento:
Le modalità didattiche prevedono, accanto alla classica lezione frontale, testimonianze aziendali di
manager del personale e la discussione in aula di casi aziendali.
Testi di riferimento:
- Costa G., Gianecchini M., Risorse Umane. Persone, relazioni e valore (3° edizione). Milano:
McGraw-Hill, 2013.
ECONOMIA SANITARIA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. V. Rebba)
L’insegnamento è mutuato da ECONOMIA SANITARIA, Corso di Laurea in Economia e
Management.
Prerequisiti:
Lo studente deve possedere le conoscenze di base della Microeconomia, della Macroeconomia e
della Scienza delle finanze.
Conoscenze e abilità da acquisire:
Lo studente dovrà essere in grado di dimostrare:
• conoscenza dei principali modelli di riferimento dell’economia sanitaria;
• conoscenza dei meccanismi che regolano la domanda e l'offerta di servizi sanitari;
• capacità di valutare i costi e l'efficacia di programmi e servizi sanitari;
• conoscenza delle modalità di funzionamento, organizzazione e finanziamento dei sistemi sanitari,
con particolare riguardo al Servizio Sanitario Nazionale italiano.
Modalità di esame:
La prova di accertamento è in forma scritta ed è strutturata su quesiti relativi alla soluzione di
specifiche questioni tecniche e/o allo sviluppo sintetico di alcune particolari tematiche.
Criteri di valutazione:
La valutazione tiene conto del livello delle conoscenze acquisite dallo studente con riferimento sia
agli aspetti teorici sia alle applicazioni istituzionali.
Contenuti:
Il corso intende:
• offrire i riferimenti teorici di base relativamente all'analisi dell’economia della salute e del
settore sanitario;
• fornire gli strumenti per l'analisi della principali problematiche di efficienza e di equità che
caratterizzano il settore sanitario;
• fornire gli elementi di conoscenza delle modalità di funzionamento, organizzazione e
finanziamento dei sistemi sanitari, con particolare riguardo al Servizio Sanitario Nazionale
italiano.
In particolare, il corso considera nove tematiche:
1)La sanità come fattore di produzione di salute e di sviluppo.
2)Caratteri del mercato sanitario e giustificazioni dell’intervento pubblico in sanità (con
approfondimenti sulle problematiche dell’assicurazione sanitaria di tipo volontario).
3)Domanda di salute e di sanità nella teoria economica.
100
4)Il “mercato” dell’assistenza sanitaria: rapporto di agenzia tra paziente e medico e governo della
domanda.
5)Analisi dell'offerta: efficienza, efficacia e qualità dei servizi sanitari.
6)Analisi dell’offerta e del finanziamento dei servizi ospedalieri.
7)Tecniche di valutazione economica dei programmi sanitari e delle nuove tecnologie biomediche:
analisi costi-benefici; analisi costo-efficacia; analisi costo-utilità.
8)Il sistema sanitario italiano.
9) Spesa, performance e sostenibilità dei sistemi sanitari.
Attività di apprendimento previste e metodologie di insegnamento:
Sono previste lezioni frontali su tutte le tematiche del programma e alcune esercitazioni
sull'applicazione di modelli teorici.
Eventuali indicazioni sui materiali di studio:
I materiali di studio per i frequentanti consistono in una dispensa, intitolata "Lezioni di Economia
sanitaria", a cura del docente e articolata in nove capitoli. Tali materiali, che possono essere
supportati dai testi di riferimento, sono disponibili sulla piattaforma moodle di Economia.
Per i non frequentanti si suggerisce l'utilizzo dei testi di riferimento.
Testi di riferimento:
- Levaggi, R.; Capri, S., Economia sanitaria. Milano: F. Angeli, 2009. Capitoli 1, 2, 3, 4, 9.
- Mapelli, V., Il sistema sanitario italiano. Bologna: Il mulino, 2012. parti selezionate
concordate con il docente.
- Bernasconi, M., Evoluzione e riforma dell'intervento pubblico - scritti in onore di Gilberto
Muraro. Torino: Giappichelli, 2013. Capitolo 8 "Il futuro dei sistemi sanitari pubblici tra
universalismo e sostenibilità".
ELABORAZIONE DI DATI, SEGNALI E IMMAGINI BIOMEDICHE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Saccomani)
L’insegnamento è mutuato da ELABORAZIONE DI DATI, SEGNALI E IMMAGINI BIOMEDICHE,
Corso di Laurea in Ingegneria Biomedica.
Prerequisiti:
I prerequisiti fanno riferimento al corso di Segnali e Sistemi:
Segnali a tempo continuo e discreto.
Segnali notevoli. Convoluzione. Studio in frequenza: serie di Fourier; trasformata di Fourier.
Sistemi lineari tempo-invarianti: risposta impulsiva, risposta in frequenza, funzione di trasferimento
a tempo continuo e discreto.
Conoscenze e abilità da acquisire:
Il corso si propone di fornire delle conoscenze di base su metodologie per l'elaborazione numerica
di dati, segnali ed immagini in campo biomedico. Verra' introdotta ed approfondita la teoria su cui
tali metodologie si basano, attraverso lo studio e la discussione di alcuni casi di studio.
Modalità di esame:
L'esame è costituito da due parti:
1° parte: esame scritto con domande aperte sul programma svolto a lezione.
2° parte: prova pratica di Matlab da svolgere al calcolatore.
101
Le due prove sono inscindibili (non se ne può ripetere una sola delle due).
Criteri di valutazione:
Homework, esame scritto e prova in Matlab.
Contenuti:
Origine e caratteristiche di dati, segnali e immagini biomedici.
Scopi dell’elaborazione numerica dei segnali ed immagini biomediche.
I segnali bioelettrici: l'elettrocardiogramma (ECG), il fonocardiogramma, l'elettromiogramma, ecc.
e loro caratteristiche.
Richiami alla conversione analogico/digitale dei segnali. Caso di studio: problemi dovuti alla scelta
della frequenza di campionamento, all'aliasing, all'errore di quantizzazione nel segnale ECG. I
potenziali evocati. Media dei potenziali e proprieta’.
Casi di studio: come rimuovere i diversi tipi di rumore nel segnale elettrocardiografico. Teoria
richiesta per affrontare i casi di studio: richiami ai sistemi Lineari Tempo Invarianti (LTI), filtri FIR
e IIR, rappresentazione in frequenza dei segnali a tempo discreto e dei sistemi LTI. Filtri ideali e
filtri reali. Studio della Trasformata Zeta (ZT) e delle sue proprieta'. Soluzione dei casi di studio:
progetto di filtri digitali FIR e IIR tramite posizionamento di zeri e poli nel piano complesso.
Esempi ed esercizi.
Riconoscimento di forme d'onda. Schema di un riconoscitore. Casi di studio: riconoscimento del
complesso QRS nel segnale ECG e analisi dell'ECG fetale. Soluzione: algoritmo di Pan-Tompkins e
metodi basati sul template (filtro matched).
Analisi spettrale. Perchè e come si valuta la densita' spettrale del segnale. Metodi non parametrici
basati sulla FT: il periodogramma. Caso di studio: analisi spettrale del fonocardiogramma per la
valutazione di protesi valvolari.
Principali caratteristiche dell’immagine (segnale 2D). Cenni al sistema visivo umano.
Codifica e campionamento delle immagini. L'istogramma dell'immagine. L'equalizzazione
dell'istogramma.
Miglioramento dell’immagine (Image enhancement) nel dominio spaziale: operatori puntuali, locali
e globali.
L'Angiografia Digitale Sottrattiva (DSA).
Il miglioramento dell’immagine nel dominio delle frequenze. La trasformata di Fourier
bidimensionale e sue proprieta’. Filtri passa-basso e passa-alto e passa-banda.
La compressione dell'immagine. Applicazioni in medicina clinica. Applicazioni di tutte le
metodologie studiate alle bioimmagini.
Caratteristiche dei dati biochimici per lo studio di sistemi biologici/fisiologici. Descrizione
dell’errore di misura dei dati. Descrizione statistica dei dati sperimentali. Media e varianza. Retta di
regressione. Teoria delle decisioni. Verifica di ipotesi. Cenni di modellistica di sistemi
biologici\fisiologici per la descrizione di dati sperimentali in vivo ed in vitro. Definizione di un
modello esponenziale ingresso-uscita e di un modello monocompartimentale.
Stima parametrica dei modelli visti da dati sperimentali.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali, laboratorio di informatica durante l'orario di lezione, seminari.
Eventuali indicazioni sui materiali di studio:
Appunti e lucidi del corso. I files .PDF delle lezioni ed eventuale materiale aggiuntivo saranno
disponibili sulla pagina web del corso (area riservata) alcuni giorni prima delle lezioni. Articoli
scientifici. Testi consigliati.
102
Testi di riferimento:
- R.M. Rangayyan, Biomedical Signal Analysis 2nd ed.. New York: Wiley/IEEE Press, 2015.
- R.M. Rangayyan, Biomedical Signal Analysis: A Case-Study Approach. New York:
Wiley/IEEE Press, 2002.
- A.V. Oppenheim, R.W. Schafer, Elaborazione Numerica dei Segnali. Milano: Franco
Angeli, 2009. Ed. italiana
- R.C Gonzales, R.E. Woods, Digital Image Processing. New Jersey: Prentice Hall, 2008.
Anche versione italiana
- C. Cobelli, D. Foster, G. Toffolo, Tracer Kinetics in Biomedical Research. From Data to
Model. New York: Kluwer Academic, Plenum Publishers, 2000.
ENVIRONMENTAL IMPACT AND LIFE CYCLE ASSESSMENT LCA E VALUTAZIONE DI IMPATTO AMBIENTALE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. L. Palmeri)
L’insegnamento è mutuato da ENVIRONMENTAL IMPACT AND LIFE CYCLE ASSESSMENT LCA E VALUTAZIONE DI IMPATTO AMBIENTALE, Corso di laurea magistrale in Environmental
Engineering.
Prerequisiti:
Nessuno.
Conoscenze e abilità da acquisire:
Uno studente che ha raggiunto l'obiettivo del corso sarà in grado di:
-condurre una procedura di valutazione di impatto ambientale
-fare consulenza nell'elaborazione dei documenti richiesti
-adattare la procedura ai diversi contesti nazionali ed internazionali
Modalità di esame:
Esame orale.
Criteri di valutazione:
Presentazione del lavoro di gruppo ed esame orale.
Contenuti:
Il corso è centrato sulla procedura di valutazione di impatto ambientale. In particolare saranno
affrontati i seguenti argomenti: la normativa (europea e nazionale), l'amministrazione pratica, la
scrittura documento studio di impatto ambientale e gli strumenti per la valutazione degli impatti, la
valutazione di incidenza e la prevenzione e riduzione integrate dell'inquinamento.
Dopo un'introduzione alla teoria generale del processo decisionale e di sistemi di supporto alle
decisioni, gli strumenti di valutazione principali sono rappresentati, ad esempio multi-criteri di
analisi, analisi del rischio e valutazione del ciclo di vita. Applicazioni a casi di studio reali sono
previste lungo tutta la durata del corso al fine di chiarire gli argomenti teorici presentati.
-Introduzione
-Procedura di VIA
-VIA - Procedure e norme (regolamenti europei)
-VIA - Procedure e norme (legge italiana = 152/2006, legge regionale)
-Componenti ambientali e strumenti per la valutazione dell'impatto
103
-Valutazione di incidenza
-Prevenzione e la riduzione integrate dell'inquinamento (IPPC)
-Modelli decisionali
-Modelli multi criteri
-Analisi costi / benefici e altri metodi contabili
-Tecniche di misurazione degli odori
-Confronto tra Campo ispezione e CALPUFF
-Strumenti volontari per la gestione ambientale dei prodotti
-Argomenti per il lavoro di gruppo
-Valutazione della compatibilità idraulica
-Life Cycle Assessment
-Risk Assessment
Eventuali indicazioni sui materiali di studio:
Dispense ed appunti del corso.
FAMIGLIE, GENERE E PLURALISMO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. F. Bimbi)
L’insegnamento è mutuato da FAMIGLIE, GENERE E PLURALISMO, Corso di laurea magistrale
in Culture, Formazione e Società Globale (Ord. 2014).
Prerequisiti:
VALUTAZIONE ALL’INIZIO DEL CORSO
Verifica di alcune competenze di metodo e contenuti: conoscenze e comprensioni scientifiche di
base sui temi del frame del Corso (Famiglie, genere, pluralismo) in relazione al curriculum svolto
durante il percorso formativo pregresso o attraverso esperienze pratiche;capacità di definizione di
stato dell'arte in base a letteratura internazionale in relazione ad un tema noto allo studente;
esperienze pregresse di ricerca sociale con utilizzo di metodi di investigazione ed elaborazione.
Verifica delle competenze relative ad alcuni tipi di esercitazione proposte dal Syllabus da cui
sceglierne obbligatoriamente una.
Conoscenze e abilità da acquisire:
Conoscenze da acquisire:
1.approfondimenti della letteratura internazionale sui contenuti, costrutti e linee metodologiche
relativi ai tre assi interpretativi e di ricerca del Corso: famiglie, genere e pluralismo con l’obiettivo
di acquisire competenze per un approccio intersezionale sul piano teorico, della costruzione delle
domande di ricerca e dei suoi svolgimenti;
2.approfondire criticamente il metodo delle scienze sociali socio-antropologiche, tenendo conto
delle differenze e dei loro “attrezzi”, per affrontare alcune problematiche sociali del “vivere assieme
diversi”, in riferimento al dibattito contemporaneo su: a) intersezionalità tra genere, classe,
differenze culturali; b) il pluralismo culturale: guerre dei simboli nella globalizzazione, in Europa e
nei mondi mediterranei; c) stato, monopolio discorsivo della violenza legittima, statuti della
cittadinanza e dei diritti umani; d) trasformazioni delle forme delle relazioni primarie e familiari:
legami sociali e forme della violenza simbolica; e) rapporti di genere nel campo del conflitto tra
poteri e significati;
3.percorso verso la tesi di laurea: dalla postura critico-riflessiva di ricercatrici e ricercatori nella
assunzione delle posture metodologiche, alla definizione della domanda di ricerca, ai metodi per
104
l’analisi situata dei rapporti di genere, classe, differenze culturali. Dall’osservazione partecipante
alla raccolta di narrazioni biografiche sui temi relativi a famiglie, generi, migrazioni.
Modalità di esame:
1) ESAME PER FREQUENTANTI
* RELAZIONE SCRITTA DA CONSEGNARE PRIMA DI NATALE (vedi modalità di
apprendimento) discussa oralmente durante il Corso. Se l'esito non fosse positivo verrà rielaborata
fino a renderla accettabile prima dell'esame finale.
* In alternativa: somministrazione di interviste su cui produrre un elaborato concordato da
consegnare una settimana prima dell'Esame finale.
* A FINE CORSO: discussione sulle letture e sui lavori prodotti.
2) ESAME PER NON FREQUENTANTI
Per i non frequentanti, la valutazione finale riguarderà sia la conoscenza e la comprensione dei testi
che la capacità di applicarne i contenuti all'analisi della società contemporanea con una domanda su
un tema emergente nel dibattito pubblico.
Criteri di valutazione:
Per i frequentanti il giudizio complessivo, che si esprimerà nella valutazione finale, terrà conto dei
lavori presentati, della qualità della discussione dei temi, del contributo attivo allo svolgimento del
Corso.
Per i non frequentanti, la valutazione finale riguarderà sia la conoscenza e la comprensione dei testi
che la capacità di applicarne i contenuti all'analisi della società contemporanea con una domanda su
un tema emergente nel dibattito pubblico.
Contenuti:
Il frame Famiglie, Genere, Pluralismo si sviluppa nel Corso seguendo alcune linee principali, che
riguardano metodo e contenuti:
a) Intersezionalità tra genere, classe, differenze culturali. Il costrutto dell’intersezionalità dalla
contestazione delle studiose “di colore” e post-coloniali verso un programma conoscitivo
mainstreaming sulla famiglia e sulle donne, alla costruzione di normative anti-discriminazione e dei
diritti umani, alla funzione ricompositiva dello sguardo dall’esterno nelle ricerche su differenze e
migrazioni. Le diverse posture di ricercatrici e ricercatori e le differenti posizionalità degli attori in
tema di differenze, disuguaglianze e di riconoscimento nella ricerca sociale. Applicazioni nelle
ricerche italiane.
b) Il pluralismo culturale costituito e costituente in Europa e nei mondi Mediterranei delle
migrazioni globalizzate. Le parole per dirlo: multiculturalismo, intercultura, transculturazione,
“borders of mestiza”; le comunità di interpretazione organizzate e quelle virtuali; guerre dei simboli
nella globalizzazione, in Europa e nei mondi mediterranei tra dominio, processi di emancipazione,
transculturazione nelle migrazioni, nel lavoro, nella comunicazione e nei movimenti sociali.
c) Stato, monopolio della violenza legittima, statuti della cittadinanza e dei diritti umani. Discorsi
politici e poteri simbolici nei discorsi sulle forme di famiglia, di rapporti di genere e di differenze
culturali compatibili, adeguati e accettabili; cittadinanza e riconoscimento delle differenze nelle
dinamiche tra regolazione welfaristica e appropriazione nel quotidiano; distribuzione della
ricchezza e capacità di nutrirsi: conflitti per la sopravvivenza, la salute e la qualità della vita
attraverso il cibo quotidiano.
d) Le relazioni primarie e familiari tra illusio sociale, violenza simbolica, convivialità, considerate
sui diversi piani: scenari demografici, strutture organizzative e modelli giuridici dei patriarcati e dei
regimi post-patriarcali, significati e rappresentazioni sociali.
105
e) I rapporti di genere nel campo del conflitto tra poteri, significati e prese di parola: storie sociali di
genere, stratificazioni di generi, performatività del farsi genere; violenza simbolica sulle donne,
eteronormatività, violenza di genere.
f) Come utilizzare l'intersezionalita nella ricerca sociale. Un esempio: harmful practices; honourbased violences.
Attività di apprendimento previste e metodologie di insegnamento:
Le lezioni frontali saranno prevalentemente di metodo e di introduzione alla letteratura.
Sulla base dell'introduzione ai temi del Corso verrà costruita con gli studenti frequentanti una
traccia di intervista biografica sul tema "Famiglie, genere e pluralismo culturale" da condurre con
giovani adulti.
Gli studenti frequentanti, individualmente o a piccoli gruppi, saranno invitati a scegliere un sottotema, a definire una domanda provvisoria di ricerca, a produrre un succinto stato dell'arte, da
discutere in una relazione orale verso la terza settimana del Corso, da trasporre in seguito in una
relazione scritta che contenga una valutazione critica delle letture, la definizione di una domanda di
ricerca, un'ipotesi di itinerario di ricerca sul campo.
Eventuali indicazioni sui materiali di studio:
Dalla fine della prima settimana verranno distribuiti agli studenti, o date indicazioni per reperire su
web, articoli relativi al didatti internazionale su intersezionalità, pluralismo culturale, welfare state e
processi di esclusione/cittadinanza, trasformazioni delle forme delle relazioni primarie e familiari,
rapporti di genere.
Su tali letture avverranno le discussioni introduttive con la docente e la predisposizione del percorso
per la relazione scritta.
Inoltre verranno indicate letture da ricerche sociologiche con etnografie da discutere come
indicazioni sul metodo intersezionale e come possibili suggerimenti per tesi di laurea.
Testi di riferimento:
Francesca Alice Vianello, Genere e Migrazioni. Prospettive di studio e di ricerca. Milano: Guerini,
2014. Obbligatorio.
Angela Maria Toffanin, Controcanto. Donne latinoamericane tra violenze e riconoscimento.
Milano: Guerini, 2015. Obbligatorio.
Francesco Della Puppa, Uomini in movimento. Istituzione della vita adulta e trasformazioni della
maschilità. Torino: Rosemberg, 2014. Obbligatorio.
Andersen M.L., Thinking About Women. A Quater Century’s View. Gender & Society: vol. 19, n.
4, pp. 437-455., 2005. Obbligatorio, sostituibile con altri articoli indicati durante il Corso.
FINANZA MATEMATICA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. W.J. Runggaldier)
L’insegnamento è mutuato da FINANZA MATEMATICA, Corso di Laurea in Matematica.
Prerequisiti:
Propedeuticità: Probabilità e statistica.
Conoscenze e abilità da acquisire:
Introdurre e analizzare alcuni modelli stocastici in Finanza, in particolare i modelli multiperiodali
dei mercati finanziari.
106
Modalità di esame:
Scritto.
Criteri di valutazione:
Votazione ottenuta nella prova scritta.
Contenuti:
Il corso è inteso quale introduzione alla finanza matematica stocastica. Le nozioni richieste in
campo matematico-probabilistico ed economico-finanziario sono quelle corrispondenti ai corsi base
della laurea triennale. Verranno quindi considerati modelli dinamici, ma solo a tempo discreto, cioè
modelli multiperiodali. Gli argomenti trattati sono:
- Titoli e portafogli;
- Prezzaggio e copertura di derivati;
- Assenza di arbitraggio e misure martingala;
- Mercati completi ed incompleti;
- Ottimizzazione di portafoglio;
- Opzioni americane;
- Struttura a termine dei tassi.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali.
Testi di riferimento:
- A.Pascucci e W.Runggaldier, Finanza matematica: Teoria e problemi per modelli
multiperiodali. Springer.
INGEGNERIA DELLA QUALITA'
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Bertocco)
L’insegnamento è mutuato da INGEGNERIA DELLA QUALITA’, Corso di Laurea Magistrale in
Ingegneria Elettronica.
Conoscenze e abilità da acquisire:
- Fornire una comprensione delle norme della famiglia ISO 9000 e delle corrispondenti
implicazioni; in particolare verranno evidenziate le azioni necessarie sia in ambito aziendale per
ottenere la certificazione corrispondente, sia in ambito personale per conseguire la patente europea
della qualità.
- Fornire una comprensione dei modelli di qualità totale e delle corrispondenti azioni necessarie per
il perseguimento del miglioramento continuo.
- Fornire i modelli e gli strumenti statistici necessari per l'applicazione dei principi connessi alla
qualità totale.
- Tenuto conto delle conoscenze degli allievi in ingegneria del settore informazione, fornire nozioni
di base sull'organizzazione di imprese ai fini della gestione in regime di qualità totale.
Modalità di esame:
Prova orale.
107
Criteri di valutazione:
La valutazione si baserà sulla comprensione dei temi trattati, della capacità di discuterli criticamente
ed applicarli in modo autonomo in casi di studio.
Contenuti:
- Qualità Normativa: norme di riferimento, norma ISO 9001, requisiti,realizzazione del prodotto,
analisi e miglioramento; percorso per la certificazione.
- Qualità totale: modelli per la qualità totale, miglioramento continuo, governo dei processi.
- Strumenti per la qualità: processi, strumenti statistici, metodo PDCA, Quality Function
Deployment, motodo Toyota, metodologie "sei sigma", modello EFQM e autovalutazione.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali, in aula di lezione
Esercitazioni guidate
Lavori di approfondimento individuale (tesine). Le tesine sono concordate nel corso delle
svolgimento delle lezioni nei tempi e contenuti. Sono inoltre facoltative per gli studenti dei corsi di
laurea in ingegneria e invece permettono di integrare i 3CFU aggiuntivi previsti per i corsi di laurea
in statistica.
Testi di riferimento:
- M.Bertocco, P.Callegaro, D.De Antoni Migliorati, Ingegneria della qualità. Novara: De
Agostini Scuola S.p.A., 2006.
- M.Bertocco, P.Callegaro, D.De Antoni Migliorati, Strumenti per la qualità totale (terza
ediz.). Morrisville, NC 27560: lulu enterprises inc., 2013. disponibile tramite servizio di
distribuzione online http://www.lulu.com/content/9834109.
INTELLIGENZA ARTIFICIALE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. S. Badaloni)
L’insegnamento è mutuato da FONDAMENTI DI INTELLIGENZA ARTIFICIALE, Corso di Laurea
in Ingegneria Informatica.
Prerequisiti:
Conoscenze di base di informatica.
Conoscenze e abilità da acquisire:
Il corso ha come obiettivo l'acquisizione da parte degli studenti della conoscenza dei concetti di
base, delle metodologie e delle tecniche applicative dell’Intelligenza Artificiale.
Modalità di esame:
L'esame consiste in una prova scritta (test a risposte multiple), nello sviluppo e nella presentazione
del lavoro di una tesina, svolta in gruppo, come progetto di approfondimento di un argomento
inerente al programma del corso, ed in un eventuale colloquio orale.
Criteri di valutazione:
Il voto finale è una media ponderata dei punteggi conseguiti nella prova scritta (65%) e nella
presentazione del lavoro di tesina (35%). In caso di colloquio orale il voto può essere rimodulato.
108
Contenuti:
Introduzione all'Intelligenza Artificiale.
La nozione di Agente Intelligente.
Algoritmi per risolvere i problemi:
- Strategie di ricerca non informata: breadth-first search, depth-search, iterative deepening search.
- Ricerca informata: algoritmo greedy best-first search, algoritmo A*.
Rappresentazione della conoscenza e ragionamento:
- Logica proposizionale.
- Calcolo dei predicati .
- Principio di risoluzione e introduzione alla programmazione logica .
- Introduzione al Prolog.
Problemi di soddisfacimento di vincoli:
- Rappresentazione di un problema come CSP.
- Algoritmi di backtracking, forward checking, arc and path-consistency.
Temporal Reasoning:
- Algebra degli intervalli e dei punti.
Pianificazione:
- Ricerca nello spazio degli stati .
- Partial-order planning POP.
- Planning graphs.
Ragionamento in presenza di incertezza:
- Teoria dei Fuzzy Sets, Logica Fuzzy e uso di vincoli fuzzy.
- Ragionamento probabilistico e uso di tecniche bayesiane (cenni).
Introduzione alle tecniche di Apprendimento automatico.
Algoritmi Meta-euristici.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso ha una struttura modulare costituita da:
- lezioni in aula e lezioni guidate in laboratorio
- seminari invitati
- approfondimento di tematiche di ricerca da parte degli studenti nel lavoro delle tesine.
Eventuali indicazioni sui materiali di studio:
Tutto il materiale didattico, tra cui le slides delle lezioni, gli articoli di rassegna e altra
documentazione, viene pubblicato nel sito del Corso.
Testi di riferimento:
- S.Russell, P.Norvig, Intelligenza Artificiale. Un approccio moderno. Milano-Torino:
Pearson Prentice Hall, 2010. Volume I - Terza Edizione Cerca nel catalogo.
- S.Russell, P.Norvig, Intelligenza Artificiale. Un approccio moderno. Milano-Torino:
Pearson Prentice Hall, 2005. Volume II Cerca nel catalogo.
- Ertel W., Introduction to Artificial Intelligence. London: Springer, 2011.
INTRODUZIONE ALLA BIOLOGIA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Prof. L. Vitiello)
Prerequisiti:
Nessuno.
109
Conoscenze e abilità da acquisire:
Obiettivo del corso e' trasmettere le conoscenze di base di biologia e genetica necessarie ai laureati
in scienze statistiche, necessarie per poter in seguito applicare le loro competenze a ricerche nel
campo delle scienze della vita.
Modalità di esame:
Esame scritto, con possibilità di frazionare le prove durante il corso.
Criteri di valutazione:
Alla fine del corso gli studenti dovranno essere in grado di:
Descrivere le basi chimico-fisiche che regolano il funzionamento delle macromolecole biologiche.
Descrivere le caratteristiche generali delle macromolecole biologiche (carboidrati, lipidi, proteine,
acidi nucleici).
Descrivere le caratteristiche principali dei vari tipi di organismi viventi e le relazioni evolutive che
li collegano.
Illustrare l’organizzazione della cellula ed in particolare riconoscere le diverse strutture cellulari.
Illustrare la funzione della cellula e descriverne i processi fondamentali (replicazione, trascrizione e
traduzione del materiale genetico; mitosi e meiosi).
Descrivere i vari modi nei quali l'informazione genetica si riflette sulle caratteristiche dei singoli
individui e sulla insorgenza di patologie.
Descrivere le differenze tra analisi genetica ed analisi genomica ed avere familiarità con le
metodologie di base di entrambe.
Contenuti:
INTRODUZIONE
Atomi e molecole: cenni sulla chimica dei viventi
L’acqua come solvente delle reazioni biologiche
Le principali classi di molecole biologiche
La teoria cellulare
L’organizzazione dei viventi, cenni di sistematica
Le caratteristiche principali di batteri, virus e cellule eucarioti.
STRUTTURA E FUNZIONE DELLA CELLULA
La membrana plasmatica, proprietà e funzioni
Gli apparati membranosi
I mitocondri, struttura in rapporto alla funzione; il metabolismo energetico
Il citoscheletro
Il compartimento nucleare
I processi di endocitosi e secrezione
La trasduzione del segnale recettoriale
La divisione cellulare.
BASI MOLECOLARI DELL’INFORMAZIONE EREDITARIA
Composizione e struttura chimica del DNA e degli RNA
Il codice genetico e sue proprietà
La replicazione del DNA
L’organizzazione del genoma negli eucarioti e nei procarioti
I cromosomi umani
Trascrizione e maturazione del RNA
La regolazione dell’espressione genica
La sintesi proteica.
110
GENETICA E GENOMICA UMANA
I differenti tipi di trasmissione dei caratteri ereditari (AD, AR, XD, XR, eccezioni alla trasmissione
mendeliana).
I caratteri quantitativi e multifattoriali; la variabilità genetica
Le conseguenze patologiche delle mutazioni
Le principali tecniche di analisi del DNA (PCR, sequenziamento)
Il progetto genoma umano e l’era della genomica
Definizione dei diversi progetti "omici" (trascrittoma, proteoma, metaboloma).
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali, a fine corso una o più lezioni seminariali su uso della statistica in vari campi della
biologia (a seconda degli interessi espressi dagli studenti durante il corso).
Eventuali indicazioni sui materiali di studio:
I file delle lezioni ed eventuali altri materiali didattici utilizzati in aula saranno messi a disposizione
degli studenti, ma non precedentemente alle lezioni stesse. Il corso non ha un testo di riferimento
specifico; durante la prima lezione saranno illustrate le varie possibilità tra le quali scegliere.
ISTITUZIONI DI ANALISI MATEMATICA
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. P. Mannucci, Matricola dispari: Prof. A. Cesaroni)
Prerequisiti:
Il linguaggio della matematica, con elementi di logica e di teoria degli insiemi. I numeri, dai
naturali ai reali, con il loro ordinamento, operazioni e proprietà- I polinomi; divisione di polinomi;
Teorema di Ruffini; scomposizione in fattori.- Le funzioni elementari (polinomiale, potenza,
esponenziale, logaritmo e funzioni trigonometriche) con le loro proprieta' ed i grafici di alcune di
esse- Equazioni e disequazioni, razionali e trascendenti e sistemi di disequazioni.
Conoscenze e abilità da acquisire:
Alla fine del corso gli studenti avranno acquisito le nozioni fondamentali dell'analisi matematica
legate alle proprietà dei numeri reali e al concetto di limite. Dal punto di vista operativo
acquisiranno la capacità di calcolare limiti di funzioni di una variabile utilizzando sia i limiti
notevoli che la formula di Taylor. Conosceranno il concetto di derivata, sapranno calcolare le
derivate delle funzioni di una variabile e sapranno utilizzarle per risolvere problemi con parametro e
per tracciare grafici di funzioni. Sapranno calcolare integrali definiti e indefiniti, studiare la
convergenza di serie numeriche, studiare il comportamento dei massimi e minimi di funzioni in due
variabili. Avranno gli strumenti matematici necessari ai corsi di Probabilità e Statistica, quali il
calcolo integrale, le serie numeriche e i fondamenti dello studio di funzioni reali di due variabili
reali.
Modalità di esame:
L'esame è scritto. Di solito il testo dell'esame è costituito da tre o quattro esercizi più alcune
domande di teoria in cui si chiede di enunciare e/o dimostrare un teorema presentato a lezione.
La commissione può richiedere al candidato di sostenere una prova orale, qualora ritenga che la sola
prova scritta non abbia fornito sufficienti elementi di giudizio.
111
Criteri di valutazione:
Ogni domanda di ciascun esercizio concorre per un certo ammontare specificato al voto massimo di
33/30 (corrispondente a 30 e lode). Costituiscono criteri per una valutazione positiva la correttezza,
il rigore metodologico e la completezza delle soluzioni, la chiarezza espositiva date ai diversi
esercizi.
Contenuti:
- Insiemi numerici.- Funzioni reali.- Limiti di funzioni, proprietà e teoremi relativi; limiti di
successioni; funzioni continue e teoremi relativi.- Derivazione di funzioni: tecniche di calcolo,
proprietà e teoremi sulle derivate.- Formula di Taylor e di MacLaurin.- Applicazione delle derivate
allo studio di funzioni e alla determinazione del loro grafico.- Integrali definiti e indefiniti; funzioni
primitive; Teorema Fondamentale del Calcolo Integrale; integrazione per parti e per sostituzione;
tecniche di integrazione. Integrali impropri e criteri di convergenza. - Serie numeriche: definizioni e
proprietà. Serie geometrica, armonica e armonica generalizzata. Criteri di convergenza (confronto,
confronto asintotico, rapporto, radice). Convergenza assoluta. Serie a termini di segno alterno, con
Teorema di Leibnitz.- Funzioni di due variabili reali: elementi di topologia, limiti e continuità.
Derivate parziali, con teorema di Schwartz. Massimi e minimi locali e globali, liberi e vincolati.
Teorema dei moltiplicatori di Lagrange. Per il programma dettagliato, l'elenco dei teoremi e e delle
dimostrazioni, si vedano gli appunti delle lezioni pubblicati settimanalmente durante il periodo di
lezione alla pagina web del corso.
Attività di apprendimento previste e metodologie di insegnamento:
Sono impartite 108 ore di lezione frontale, di cui circa metà dedicate allo svolgimento di esercizi di
tipo numerico e teorico. Le lezioni seguiranno, sia nelle notazioni che negli argomenti, il libro di
testo e si svolgeranno con il tablet e alla lavagna. L'uso del tablet e della piattaforma MOODLE
serve a favorire la miglior comprensione degli argomenti trattati e a permettere agli studenti di
avere disposizione quanto più materiale didattico possibile. Agli studenti si richiede di seguire con
attenzione le lezioni e di dedicare una buona quantità di tempo al lavoro autonomo. Quest'ultimo è
di fondamentale importanza per sviluppare sia le capacità logiche che le abilità pratiche connesse
con il programma d'esame. Al fine di sostenere gli studenti che ne sentano l'esigenza saranno
organizzate attività di tutorato coordinate dal docente. Ogni settimana, durante il corso, il docente
sarà disponibile a ricevere gli studenti per dubbi riguardanti il corso. Sarà attivo e aggiornato
quotidianamente il sito del corso il cui indirizzo sarà comunicato il primo giorno di lezione.
Eventuali indicazioni sui materiali di studio:
Libro di testo di teoria. Libro di esercizi, appunti di lezione svolti con il tablet, esercizi di
autoverifica assegnati periodicamente.
Testi di riferimento:
- M. Bertsch, R. Dal Passo e L. Giacomelli, Analisi Matematica. --: McGraw-Hill, --.
- M. Bramanti, Esercitazioni di Analisi Matematica 1. --: Esculapio, --.
- M. Bramanti, Carlo D. Pagani e Sandro Salsa, Analisi Matematica 1,. --: Zanichelli, 2008.
ISTITUZIONI DI PROBABILITA'
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. P. Dai Pra, Matricola dispari: Prof. S. Fiorin)
Prerequisiti:
Elementi di calcolo differenziale e integrale per funzioni di una variabile reale.
112
Conoscenze e abilità da acquisire:
Il programma del corso verte sui principali concetti di base del calcolo delle probabilità. E' un corso
di carattere introduttivo che ha come obiettivo la presentazione delle metodologie di base per la
modellizzazione dei fenomeni di tipo casuale. L'attenzione è posta su concetti teorici generali e su
tecniche applicative di base, l'obiettivo è di fornire allo studente una buona elasticità di fruizione dei
concetti essenziali della disciplina.
Modalità di esame:
Prova scritta. Il docente potrà eventualmente richiedere un'integrazione orale.
Criteri di valutazione:
Gli esercizi che costituiranno la prova di esame hanno lo scopo principale di verificare la
comprensione delle nozioni di base del calcolo della probabilità, e la capacità di usarle in
applicazioni concrete. Nella valutazione si terrà conto della chiarezza e della coerenza delle
soluzioni.
Contenuti:
Esperimenti aleatori, spazio campionario e definizione di probabilità. Spazio campionario con un
numero finito di eventi elementari, elementi di calcolo combinatorio. Probabilità condizionata e
indipendenza di eventi. Variabili aleatorie discrete, densità discreta e distribuzione.
Vettori di variabili aleatorie discrete, densità congiunte e marginali. Indipendenza di variabili
aleatorie discrete. Valor medio di variabili aleatorie discrete. Varianza, covarianza, momenti.
Distribuzioni notevoli discrete: Binomiale, Ipergeometrica, Geometrica, Binomiale negativa,
Poisson. Densità condizionata e valor medio condizionato per variabili aleatorie discrete.
Variabili aleatorie assolutamente continue e loro valor medio. Distribuzioni assolutamente continue
notevoli: Uniforme, Gamma, Normale. Vettori aleatori assolutamente continui, densità congiunte,
indipendenza di variabili aleatorie assolutamente continue. Densità condizionata e valor medio
condizionato per variabili aleatorie assolutamente continue. Successioni di variabili aleatorie.
Legge dei grandi numeri e Teorema Limite Centrale. Approssimazione normale.
Attività di apprendimento previste e metodologie di insegnamento:
L'apprendimento delle nozioni teoriche sarà accompagnato da esempi ed esercizi.
Testi di riferimento:
- Sheldon M. Ross, Calcolo delle probabilità. --: Apogeo, 2013.
MACROECONOMIA
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(A-E: Prof. G. Brunello, F-O: Prof. G. Caggiano, P-Z: Prof. T. Bassetti)
L’insegnamento è mutuato da MACROECONOMIA, Corso di Laurea in Economia.
Prerequisiti:
E' essenziale la conoscenza dei fondamenti di microeconomia relativi alla teoria del consumatore e
del produttore. In particolare, è necessaria una buona padronanza dei concetti di funzione di utilità e
di funzione di produzione. Sono inoltre utili le conoscenze matematiche e statistiche impartite nei
corsi del primo anno. In particolare, è necessaria una buona padronanza delle regole di derivazione
e del concetto di valore atteso.
L'esame di Economia politica 1 è propedeutico.
113
Conoscenze e abilità da acquisire:
Apprendimento dei concetti fondamentali della macroeconomia.
Comprensione del funzionamento dei mercati reali e finanziari e delle loro interazioni nel breve,
medio e lungo periodo.
Comprensione degli effetti dell'apertura dell'economia agli scambi reali e finanziari con il resto del
mondo.
Approfondimenti relativi a fenomeni quali crisi finanziaria e dinamica del debito pubblico e regole
ottimali di politica monetaria.
Modalità di esame:
Esame scritto.
Criteri di valutazione:
La valutazione finale è data dal risultato conseguito nella prova scritta.
Contenuti:
1. L'economia nel breve periodo. Verrà analizzato il funzionamento del mercato dei beni, dei
mercati finanziari e della loro interazione tramite il modello IS-LM.
2. Il medio periodo. Verrà analizzato il funzionamento del mercato del lavoro e l'equilibrio di medio
periodo tramite il modello AS-AD. Si analizzeranno inoltre le relazioni che legano disoccupazione e
inflazione, e inflazione produzione e crescita della moneta.
3. Il lungo periodo. Verranno analizzate le determinanti della crescita economica di lungo termine.
4. Il ruolo delle aspettative. Verrà analizzato il ruolo che giocano le aspettative degli agenti
economici circa il funzionamento dei mercati dei beni e dei mercati finanziari, e le conseguenze per
l'efficacia della politica economica.
5. Economia aperta. Si introdurrà il concetto di tasso di cambio e si spiegherà la differenza fra
regime di cambi fissi e regime di cambi flessibili, e le implicazioni che questi hanno per l'equilibrio
dell'economia e l'efficacia della politica economica.
6. Patologie dei sistemi economici. Si analizzeranno la crisi del 2007-2010 e i problemi legati a
elevato debito pubblico.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali, con esercizi risolti in classe.
Eventuali indicazioni sui materiali di studio:
Slides fornite dal docente e scaricabili dal sito web del corso.
Altro materiale fornito dal docente sul sito web del corso.
Testi di riferimento:
- Olivier Blanchard, Alessia Amighini, Francesco Giavazzi, Macroeconomia. Una prospettiva
europea. Bologna: Il Mulino, 2014. Capitoli I-XXII
- David Findlay, Esercizi di macroeconomia. --: Il Mulino, 2009.
MARKETING
(Corso di Laurea Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. R. Grandinetti)
Prerequisiti:
Nessuno.
114
Conoscenze e abilità da acquisire:
La conoscenza dei concetti fondativi della disciplina del marketing e la padronanza dei suoi
principali strumenti applicativi.
Modalità di esame:
Prova scritta composta da due parti. La prima è formata da 15 domande chiuse, con soglia per la
sufficienza pari a 11. La seconda consiste in un argomento da sviluppare liberamente. Il tempo a
disposizione dello studente è di 60 minuti.
Criteri di valutazione:
L'insufficienza in una delle due parti della prova scritta comporta l'insufficienza della prova
complessiva. Il voto finale è la media aritmetica semplice dei voti riportati nelle due parti.
Contenuti:
1. Il rapporto tra produzione e consumo in una prospettiva storica
2. Dal marketing di massa al relationship marketing
3. Vantaggio competitivo e rete del valore
4. I bisogni dei consumatori
5. I prodotti e il loro valore
6. Il comportamento dei consumatori
7. Mercati e strategie di marketing
8. Marketing e innovazione di prodotto
9. Aree strategiche di affari e portafoglio-prodotti
10. La comunicazione di marketing
11. I canali distributivi
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali e discussione di casi di studio.
Eventuali indicazioni sui materiali di studio:
La base dell'attività di studio è costituita dal manuale curato dal docente. I lucidi presentati a lezione
e disponibili sul sito del docente riassumono e integrano il manuale, e rientrano nel materiale
didattico da studiare.
Testi di riferimento:
Grandinetti Roberto (a cura di), Marketing. Mercati, prodotti e relazioni. Roma: Carocci, 2008.
MARKETING PROGREDITO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. R. Grandinetti)
Prerequisiti:
Conoscenze di base di economia e gestione delle imprese, acquisite nel relativo insegnamento.
Conoscenze di base di statistica descrittiva.
Conoscenze e abilità da acquisire:
Approfondimento di alcune tematiche relative alla strategia dell'impresa, al suo approccio al
mercato, ai processi di innovazione, alle forme dell'internazionalizzazione, alla gestione delle
relazioni inter-organizzative, al rapporto tra impresa e territorio. Utilizzo di banche dati per
applicare le conoscenze acquisite a popolazioni di imprese settoriali e/o territoriali.
115
Modalità di esame:
Prova scritta a domande con risposte multiple. Sviluppo da parte del candidato di un elaborato
relativo al tema monografico oggetto del corso annuale. Per l'anno 2016-17 il tema è costituito dai
processi di innovazione delle piccole e medie imprese venete. L'elaborato, risultato di un lavoro di
squadra di dimensione variabile in relazione al numero totale degli studenti, viene prodotto in
formato presentazione e come testo scritto, e discusso in aula.
Criteri di valutazione:
Acquisizione delle conoscenze e delle abilità oggetto dell'insegnamento.
Contenuti:
Impresa, strategia e internazionalizzazione.
I processi di innovazione nelle imprese.
Marketing e innovazione.
La gestione delle relazioni inter-organizzative come leva di vantaggio competitivo.
I processi di crescita aziendale.
I knowledge-intensive business services.
Globalizzazione e global value chains.
La natalità aziendale.
I distretti industriali, loro caratteristiche ed evoluzione nel tempo.
Le imprese all'interno dei distretti industriali.
La banca-dati AIDA.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali del docente.
Testimonianze aziendali.
Testimonianze di gestori di banche-dati.
Discussioni in aula.
Lavori di gruppo.
Laboratorio per l'utilizzo delle banche-dati.
Eventuali indicazioni sui materiali di studio:
Verranno date all'inizio del corso.
MARKETING QUANTITATIVO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. C. Moscardini)
Prerequisiti:
Non sono richiesti prerequisiti.
Conoscenze e abilità da acquisire:
L'insegnamento vuole immergere lo studente in un ufficio analisi di marketing che supporta per tutti
gli aspetti quantitativi i marketing managers nella ideazione, implementazione e valutazione delle
azioni di marketing.
Nell'insegnamento verranno presentati gli strumenti di analisi quantitativa più rilevanti e usati e
verranno sottolineate le tematiche di marketing per cui i metodi statistici e gli strumenti di analisi
statistica sono indispensabili e quelli in cui sono utili.
116
Modalità di esame:
Prova scritta e/o orale.
Criteri di valutazione:
Correttezza e qualità delle prove d'esame.
Contenuti:
1) Il marketing analitico, strategico e operativo
2) Il Piano di marketing
- Il posizionamento di brand e di prodotto
- La valutazione quantitativa del mercato
- Le ricerche di mercato obiettivi, metodologia, utilizzo dati
- Analisi comportamenti dei clienti
- Pianificazione domanda
- Pricing: redditivita' e sostenbilita' economica
- La customer base. Come e perche'segmentare
- Marketing della cb: loyalty, upselling cross selling and pricing customization
3) La valutazione della customer base: sistemi di misurazione e controllo
- Reporting: scelta dei kpi e rolling forecast
- Misurazione del valore generato dall'offerta MM: ex post analysis
- One2one: selezione, targeting e definizione campagne
- Misurazione del valore generato da 121 marketing: ex post target e controllo
4) Impatto di internet e nuovi tools
- Il ruolo e l'utilizzo dei social
- Big data e gli strumenti di analisi.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali. Case studies in laboratorio.
Eventuali indicazioni sui materiali di studio:
Materiale didattico disponibile sulla pagina web del corso.
MATEMATICA FINANZIARIA
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Docente da definire)
Prerequisiti:
Analisi matematica, calcolo delle probabilità (variabili aleatorie discrete).
Conoscenze e abilità da acquisire:
Gli studenti che abbiano superato l’esame saranno in grado di utilizzare gli strumenti matematici
introdotti a lezione per risolvere esercizi sui regimi finanziari, sulla valutazione e la scelta tra
diverse operazioni finanziarie, su tutti i problemi che discendono dalle applicazioni delle rendite
certe. Saranno anche in grado di costruire prospetti di ammortamento e di costituzione di capitale.
Saranno, poi, in grado di utilizzare modelli matematici monoperiodali, che rappresentano
l'evoluzione aleatoria del mercato, per determinare il prezzo di strumenti derivati semplici e di
determinare strategie d'investimento di copertura e di super-replicazione.
Indirizzando lo studio ad un livello di astrazione più alto lo studente potrà comprendere strumenti di
finanza matematica più sofisticati che potrebbe incontrare in corsi più avanzati.
117
Modalità di esame:
Prova d'esame scritta (le esercitazioni si svolgeranno con cadenza settimanale, durante l'orario di
lezione).
Criteri di valutazione:
Allo studente verrà richiesto di rispondere a domande aperte di carattere teorico e di svolgere degli
esercizi pratici inerenti il programma svolto, in linea con gli esercizi svolti durante le esercitazioni.
Contenuti:
Prima parte: matematica finanziaria classica.
Definizioni fondamentali: interesse e montante, sconto e valore attuale. I principali regimi
finanziari: l'interesse semplice, lo sconto commerciale e l'interesse (e lo sconto) composto.
Teoria generale delle leggi finanziarie: leggi finanziarie scindibili e non scindibili, la forza di
interesse.
Rendite e valore di una rendita. L'ammortamento dei prestiti: il piano di rimborso, ammortamento
progressivo con annualità costanti, con quote capitale costanti, con interessi anticipati, con quote di
accumulazione; il problema dell'estinzione anticipata.
La valutazione delle operazioni finanziarie: il risultato economico attualizzato (R.E.A) e il tasso
interno di rendimento (T.I.R.) e loro confronto.
Il corso dei titoli obbligazionari: corso e rendimento delle obbligazioni rimborsabili a scadenza e a
rimborso progressivo, la ``durata media finanziaria'' e la volatilità.
Seconda parte: metodi stocastici in finanza matematica
Titoli rischiosi e non rischiosi. Titoli derivati. Opzioni call e put.
Modelli di mercato a tempo discreto. Modelli finiti. Modello binomiale.
Problemi di valutazione e replicazione di titoli derivati.
Opportunita' di arbitraggio e misure neutrali al rischio.
Completezza dei mercati. Replicabilita' di titoli derivati.
Strategie di replicazione e super-replicazione.
Attività di apprendimento previste e metodologie di insegnamento:
Lezione frontale alla lavagna. E' prevista la presentazione di esempi/problemi pratici. Verrà
organizzata, al termine del corso,una conferenza didattica tenuta da un "quant"proveniente dal
settore privato, per illustrare l'utilizzo di strumenti statistici avanzati in ambito finanziario.
Testi di riferimento:
- Cacciafesta, Lezioni di Matematica finanziaria (classica e moderna) per i corsi triennali.
Torino: Giappichelli, 2006.
- S. R. Pliska, Introduction to mathematical finance: discrete time models.. Malden:
Blackwell, 1997.
- M.Cerè, Esercizi di matematica finanziaria. Bologna: Pitagora, 2001.
METODI E MODELLI STATISTICI PER LA FINANZA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. F. Lisi).
Prerequisiti:
Serie storiche economiche.
Pur non essendo un prerequisito stringente, è fortemente consigliato Serie storiche finanziarie.
118
Conoscenze e abilità da acquisire:
Lo scopo del corso è di fornire degli strumenti avanzati ed aggiornati che consentano allo studente
di stimare ed utilizzare modelli - anche non standard - che tengano conto delle principali
caratteristiche delle serie storiche finanziarie. La presentazione delle tecniche e dei modelli
appropriati sarà illustrata tramite l’uso di serie reali. I pacchetti software utilizzati saranno R ed
S+Finmetrics.
Modalità di esame:
Prova scritta + esercitazione per casa.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti
svolti, sull'acquisizione dei concetti e delle metodologie proposte e sulla capacità di applicarli e di
implementarli in modo autonomo e consapevole.
Contenuti:
Programma:
- Introduzione: richiami alle principali caratteristiche delle serie finanziarie e ai modelli che le
descrivono.
- La stima dei modelli della classe GARCH: verosimiglianza dei modelli garch, stime MLE, stime
QML.
- Costruzione di un software per la stima di un modello GARCH.
- Modelli multivariati per l'analisi e la previsione della volatilità.
- Modelli GARCH multivariati: la funzione di autocorrelazione incrociata, problematiche generali,
il modello VECH, il modello VECH diagonale, il modello BEKK, il modello CCC, il modello
DCC, il moddell PC-GARCH.
- Dati ad alta frequenza: introduzione e principali caratteristiche.
- Modelli di decomposizione per le variazioni di prezzo (ADS); Modelli per l’analisi e la previsione
delle durate (modelli ACD).
- Modelli a volatilità stocastica.
Attività di apprendimento previste e metodologie di insegnamento:
Tutte le metodolgie proposte verranno implementate con un opportuno software e applicate a dati
reali durante le esercitazioni in aula computer.
Eventuali indicazioni sui materiali di studio:
Lucidi delle lezioni che verranno forniti di volta in volta prima della lezione stessa.
Testi di riferimento:
- Tsay R., Analysis of Financial Time Series. --: Wiley, 2010.
METODI STATISTICI PER BIG DATA
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. B. Scarpa)
Prerequisiti:
Algebra Lineare, Sistemi di elaborazione, Statistica 2, Modelli Statistici 1, Modelli Statistici 2,
Statistica Computazionale.
119
Conoscenze e abilità da acquisire:
I metodi di analisi dei dati in statistica e machine learning giocano ormai un ruolo centrale nelle
realtà aziendali, industriali e scientifiche. La crescita del web e lo sviluppo di strumenti tecnologici
che raccolgono e salvano enormi quantità di dati e informazioni hanno portato ad un rapido
incremento nella dimensione dei dati e nella complessità delle analisi e della modellazione
statistica. Sorgono inoltre nuove forme di dati non direttamente riportabili alla classica matrice dei
dati statistica, ma a strutture più complesse come funzioni, grafi e reti. Queste moderne ed
emergenti applicazioni in ambito aziendale, industriale e tecnologico spiegano la necessità di
introdurre modelli statistici e algoritmi (scalabili, paralleli, ricorsivi e dinamici) che possano essere
adattati a queste grandi masse di dati. Il corso si propone di fornire, a livello di laurea triennale, gli
strumenti statistici di base per affrontare questi problemi, ponendosi in continuità rispetto al corso
di Analisi di dati multidimensionali. In particolare, il nuovo corso si propone di approfondire alcuni
argomenti (quali quelli legati ai metodi di riduzione della dimensionalità, analisi dei fattori, metodi
di raggruppamento), caratterizzandone l'applicazione al contesto dei "Big Data", introducendone
alcuni completamente nuovi, quali quelli legati all'analisi di dati funzionali, di reti sociali e
all'analisi di un numero elevato di variabili rispetto ad un numero esiguo di osservazioni.
Modalità di esame:
Prova scritta e/o prova pratica.
Criteri di valutazione:
Correttezza e qualità delle prove d'esame.
Contenuti:
- Metodi di visualizzazione dei dati e di big data.
- Metodi di riduzione della dimensionalità (independent component analysis, principal curves,
principal surfaces, projection pursuit).
- Metodi di estrazione di fattori: esempi di modelli di analisi fattoriale confermativa (e.g. Partial
Least Squares) .
- Metodi di raggruppamento basati su modelli parametrici e non parametrici.
- Metodi di analisi in presenza di un numero elevato di variabili e un esiguo numero di osservazioni,
metodi di stima penalizzata, lasso e lars e relative modifiche. Altri algoritmi efficienti.
- Introduzione all'analisi dei dati funzionali .
- Metodi di analisi di dati raccolti da reti (e reti sociali): struttura dei dati, modelli grafici e semplici
modelli statistici (e.g. logistico, di Erdos-Renyi, ERGM) ; modelli per dati da social networks (e.g.
Hopkins and King).
- Aspetti di statistica computazionale: algoritmi statistici di calcolo parallelo, ricorsivo e dinamico.
Stime ricorsive per modelli lineari e modelli lineari dinamici (algoritmo per stima ricorsiva, filtro di
Kalman).
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali. Esercitazioni in laboratorio.
Eventuali indicazioni sui materiali di studio:
Materiale didattico disponibile sulla pagina web del corso. Lo strumento di calcolo primario
adottato per questo corso è l'ambiente di programmazione R; questo può essere prelevato, assieme
alla relativa documentazione, da una postazione CRAN.
Testi di riferimento:
Scarpa, B., Materiale didattico via web per l'insegnamento di Big Data.
120
METODI STATISTICI PER IL MARKETING
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. F. Bassi)
Prerequisiti:
Calcolo delle probabilità, Statistica progredito.
Conoscenze e abilità da acquisire:
Il corso introduce metodi e modelli statistici a supporto delle decisioni di marketing.
Modalità di esame:
L’esame è orale con eventuale homework.
Criteri di valutazione:
Con l'esame e gli homework si valuta se lo studente ha appreso i concetti teorici introdotti durante
le lezioni e se è in grado di rispondere, utilizzando opportuni metodi e modelli statistici, a domande
che emergono nel disegnare strategie di marketing.
Contenuti:
1. Analisi dei comportamenti di acquisto
La misura della fedeltà alla marca.
Modelli di scelta tra marche.
Indicatori della frequenza di acquisto.
2. La misura dei fenomeni non direttamente osservabili rilevanti nel marketing
La misura della soddisfazione del consumatore.
I modelli a classi a latenti.
Studi di caso.
3. Misure dell’efficacia della comunicazione pubblicitaria
Tipologie di risposta del consumatore all’azione pubblicitaria.
Percezione e memorizzazione del messaggio.
Modelli di risposta delle vendite e delle quote di mercato.
Studi di caso.
4. La segmentazione del mercato.
Le fasi operative.
Schema a priori e tecniche statistiche di segmentazione binaria e multipla, modelli loglineari.
Impiego della cluster analysis nella segmentazione a posteriori.
La conjoint analysis nella segmentazione flessibile.
Studi di caso.
5. Il posizionamento di prodotti e marche.
Strategie di posizionamento.
L’analisi fattoriale, analisi della correlazione canonica, analisi delle corrispondenze per lo studio
delle preferenze dei consumatori.
Tecniche di multidimensional scaling per la formazione di mappe di percezione dei consumatori.
Studi di caso.
Attività di apprendimento previste e metodologie di insegnamento:
Le lezioni sono frontali tenute dal docente. Sono previste esercitazioni in aula informatica e
testimonianze aziendali di esperti provenienti.
Eventuali indicazioni sui materiali di studio:
Materiale distribuito durante il corso.
121
Testi consigliati
East R. “Comportamento del consumatore”, Apogeo, 2003 – cap. 1, 2, 3, 4, 10.
Fabbris L. “Statistica multivariata”, McGraw-Hill, Milano, 1997.
Hair J.F., Anderson R.E., Tatham R.L., Black W.C. “Multivariate data analysis”, Prentice Hall,
1998.
Molteni L., Troilo G. “Ricerche di marketing”, McGraw-Hill, Milano, 2003.
Leeflang P.S.H., Wittink D.R., Wedel M., Naert P.A. Building Models for Marketing Decisions,
Boston, Kluwer Academic Publishers, 2000 – (cap 9, modelli di risposta delle vendite e delle quote
di mercato; cap. 12, modelli stocastici).
Wedel M., Kamakura W.A. Market Segmentation, Boston, Kluwer Academic Publishers, 2000.
Chakrapani C. Statistics in Marketing Research, Londra, Arnold Publishers, 2004.
Hanssens D.M., Parsons L.J., Schultz R.L. Market Response Models, Boston, Kluwer Academic
Publishers, 2001 – (cap. 3 modelli di risposta delle vendite e delle quote di mercato).
Franses P.H., Paap R. Quantitative Models in Marketing Research, Cambridge, Cambridge
University Press, 2001 – (cap 5, modelli razionali).
Eliashberg J., Lilien G.L. (a cura di) (1993) Handbooks in Operations Research and Management
Science. Marketing, Vol. 5, North Holland, cap 6.
Testi di riferimento:
Brasini S., Freo M., Tassinari F., Tassinari G., Marketing e pubblicità. Bologna: Il Mulino, 2010.
METODI STATISTICI PER L’AZIENDA
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Docente da definire)
Prerequisiti:
Nessuno.
Conoscenze e abilità da acquisire:
Il corso mira a fornire una serie di strumenti statistici utili per l’analisi dei dati e la previsione in
ambito economico aziendale. Lo studio di casi aziendali con dati reali e l'interpretazione dei risultati
ottenuti applicando le tecniche proposte sono l’elemento caratterizzante dell’insegnamento.
Modalità di esame:
Esame scritto e prova pratica in laboratorio informatico.
Criteri di valutazione:
In sede d’esame si valuteranno sia la preparazione dello studente sugli argomenti trattati durante il
corso, sia la sua capacità di interpretare e valutare criticamente i risultati delle analisi svolte sulla
base delle conoscenze acquisite.
Contenuti:
Analisi esplorativa dei dati
Matrice dei dati, relazioni tra variabili, indici di dipendenza
Distanze e indici di similarità
Rappresentazioni grafiche
Analisi dei dati con strumenti regressivi di tipo lineare
Regressione multipla: selezione del modello, rilevanza delle componenti, analisi dei residui,
previsione. Applicazioni: analisi di soddisfazione della clientela, valutazione di performance
aziendali e loro determinanti, previsioni di vendite.
122
Regressione logistica: selezione del modello, rilevanza delle componenti, analisi dei residui,
previsione. Applicazioni: scelta di acquisto/non acquisto, scelta tra marche, appartenenza al gruppo
delle aziende sane o in crisi, condizione di occupazione/disoccupazione.
Tecniche di previsione.
Procedure di lisciamento: medie mobili, lisciamento esponenziale semplice, lisciamento di Holt,
lisciamento di Holt Winters. Applicazioni: previsioni di vendite di breve periodo.
Modelli di diffusione di innovazioni: modello di Bass standard, modello di Bass generalizzato.
Cenni alla regressione nonlineare. Applicazioni: previsioni del ciclo di vita del prodotto, stima del
mercato potenziale raggiungibile, valutazione dell’effetto di strategie di marketing mix,
caratterizzazione del prodotto sulla base della sua evoluzione temporale.
Tecniche di analisi multidimensionale
Analisi dei gruppi: distanze, metodi di raggruppamento, trasformazione delle variabili, valutazione
dei risultati.
Applicazioni: segmentazione della clientela, segmentazione dei prodotti, individuazione di cluster
aziendali sulla base di variabili socio-economiche.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali ed esercitazioni su casi di studio in laboratorio informatico.
Eventuali indicazioni sui materiali di studio:
Oltre ai testi di riferimento indicati, materiale di studio e data set distribuiti in aula dal docente.
Testi di riferimento:
- Bracalente B., Cossignani M., Mulas A., Statistica Aziendale. Milano: Mcgraw-Hill, 2009.
indicazioni provvisorie.
- Hanke J. E., Wichern D.W., Business Forecasting. Upper Saddle River: Prentice - Hall,
2005. indicazioni provvisorie.
METODI STATISTICI PER LA FINANZA
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. M. Bernardi)
Prerequisiti:
- Prerequisito fondamentale del corso sono le conoscenze relative alle metodologie di analisi delle
serie storiche economiche e dei principali processi stazionari atti a descrivere serie economiche.
- Nozioni di base di calcolo delle probabilità e variabili casuali.
- Statistica.
- Conoscenze di base del software statistico R.
Conoscenze e abilità da acquisire:
Lo studente acquisirà gli strumenti di base per l'analisi delle serie storiche finanziarie, anche ad alta
frequenza, e la capacità di costruire modelli statistici per descrivere l'evoluzione temporale dei
momenti condizionati, a scopo prevalentemente previsivo. Verranno presentate applicazioni in
campo finanziario dei modelli considerati. Inoltre saranno presentati alcuni strumenti statistici utili
per la valutazione del rischio negli investimenti finanziari.
123
Modalità di esame:
Esame scritto.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti svolti
a lezione e sulla capacità di formulare e risolvere problemi quantitativi empirici in ambito
finanziario utilizzando gli strumenti sviluppati nel corso delle lezioni.
Contenuti:
- Introduzione: presentazione e discussione preliminare delle caratteristiche delle serie finanziarie
principalmente attraverso l’analisi grafica di esempi reali (prezzi e indici azionari, tassi di cambio,
opzioni, futures, ecc,...)
- I principali indici di Borsa nazionali e stranieri.
- Prezzi, rendimenti e volatilità: definizioni, misure, strumenti di analisi e principali caratteristiche.
- Modelli per l’analisi e la previsione della volatilità delle serie dei rendimenti finanziari: modelli
ARCH, GARCH, EGARCH, IGARCH, APARCH, TGARCH, ARCH in media e loro stima.
- Caratteristiche di serie finanziarie ad alta frequenza (serie infragiornaliere).
- Introduzione all’analisi tecnica di serie storiche finanziarie.
Attività di apprendimento previste e metodologie di insegnamento:
Le lezioni saranno tenute in classe sia con l’ausilio di lucidi, sia con esercitazioni alla lavagna. Per
l'analisi dei dati, per la costruzione dei modelli finanziari e per la loro stima e validazione verrà
utilizzato il software R.
Eventuali indicazioni sui materiali di studio:
All'inizio del corso il docente fornirà i lucidi delle lezioni e dispense di approfondimento dei temi
trattati nel corso delle lezioni. Lo studio degli esempi presenti nei libri di testo consigliati e
l'esercitazione personale mediante un PC sono fortemente raccomandati.
Testi di riferimento:
- Ruey T. Tsay, Analysis of Financial Time Series - Third Edition. --: Wiley, 2010. Testo
Consigliato
- Giampiero M. Gallo e Barbara Pacini, Metodi quantitativi per i mercati finanziari. --:
Carrocci, 2002.
METODI STATISTICI PER L’EPIDEMIOLOGIA
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Prof. A. R. Brazzale.)
Prerequisiti:
Conoscenza di base di SAS.
Conoscenze e abilità da acquisire:
Il corso consente di impadronirsi delle definizioni, dei modelli e dei metodi statistici fondamentali
utilizzati in epidemiologia. In particolare, al termine del corso, lo studente avrà acquisito la
padronanza:
• dei tipi di studio epidemiologico e delle relative misure di occorrenza e di effetto.
• dei concetti di causalità, confondente e modificatore d'effetto e degli strumenti per trattarli.
• della costruzione di un campione adeguato per la conduzione di uno studio epidemiologico.
124
Modalità di esame:
Prova pratica in aula informatica (SAS) e esame orale con discussione di un’esercitazione finale.
L'esercitazione finale, sviluppata singolarmente o a coppie, verte sullo studio di un problema basato
sull’analisi di dati reali. Il tema è concordato col docente. Alla prova pratica e successivo esame
orale sono ammessi gli studenti che superano un test di ammissione basato su quiz multi-risposta in
aula informatica.
Criteri di valutazione:
La valutazione si basa sulle conoscenze e abilità manifestate durante la prova pratica (1/5) e durante
l'esame orale (2/5), e sull’esercitazione finale (2/5). Il giudizio finale è una media ponderata dei voti
assegnati alle tre prove.
Contenuti:
- Definizione e obiettivi dell’epidemiologia.
- Il concetto di causalità e tipi di relazioni causali. Diagrammi causali. Confondente e modificatore
d’effetto.
- Tipi di studi epidemiologici: studi sperimentali (clinical trials, field trials, community intervention
trials) e non sperimentali (di coorte, caso-controllo, trasversali, di mortalità
proporzionale,ecologici).
- Misure di occorrenza di malattia e mortalità: incidenza puntuale, cumulata, prevalenza. Relazione
fra incidenza e prevalenza. Rappresentazioni grafiche (mappe) di indicatori di morbosità e mortalità
nel territorio.
- Analisi del rischio di malattia in funzione di un fattore di esposizione. Effetti assoluti e relativi.
Rischio relativo, rischio attribuibile, odds-ratio. Relazione fra rischio relativo e odds ratio.
- Inferenza su incidenza, prevalenza, rischio relativo e odds-ratio. Errore di primo e secondo tipo,
calcolo della numerosità campionaria.
- Metodi per depurare dall’effetto di confondenti: randomizzazione (studi sperimentali),
stratificazione, standardizzazione, appaiamento (qualsiasi studio).
- Inferenza sull’odds ratio in presenza di stratificazione (Mantel-Haenszel, logit, massima
verosimiglianza) e appaiamento (test di McNemar).
- Regressione logistica per studi di coorte, studi caso-controllo e caso-controllo con appaiamento
1:1.
- Altre fonti di distorsione delle stime: selection bias (auto-selezione, distorsione, diagnostica),
misclassificazione (differenziale e non differenziale), problemi di rappresentatività e
generalizzabilità.
- Le principali fonti di dati in ambito sanitario ed epidemiologico e loro potenzialità informative: le
rilevazioni tramite schede di dimissione ospedaliera, certificati di assistenza al parto, cause di
morte, sistema informativo del Ministero della Salute, registri di patologia. Definizione e
trattamento dei dati sensibili.
- Programmazione e valutazione dei servizi socio-sanitari: il Servizio Sanitario nazionale, il Piano
Sanitario Nazionale, i Piani Sanitari regionali e i Piani di zona. I livelli essenziali di assistenza
(LEA). Bisogni di salute e offerta di servizi.
- Il processo di valutazione dei servizi socio-sanitari: indicatori di risorse, di processo, di prodotto.
Definizione di benchmark. Analisi dell’efficacia dei servizi. Sintesi degli indicatori. I sistemi
informativi socio-sanitari.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso si avvale di lezioni frontali, esercitazioni carta e penna, laboratori SAS in aula informatica e
gruppi di lettura. Sono inoltre previste delle conferenze didattiche tenute da esperti del settore.
125
Eventuali indicazioni sui materiali di studio:
- Dispense fornite dal docente (che non sostituiscono i testi di riferimento).
- Vineis P., Duca P. e Pasquini P. (1987). Manuale di metodologia epidemiologica. Numero
speciale di Epidemiologia e Prevenzione n.32-33.
- Hosmer D.W. and Lemeshow S. (2000). Applied Logistic Regression. Wiley, New York. Capp. 6
e 7. (3 copie in biblioteca: vanno bene anche le edizioni precedenti al 2000).
Testi di riferimento:
Kenneth J. Rothman, Sander Greenland, Timothy L. Lash, Modern Epidemiology. Philadelphia:
Lippincott Williams & Wilkins, 2008. (4 copie disponibili in biblioteca: 1 del 2008 e 3 del 1986;
vanno bene entrambe le edizioni).
METODI STATISTICI PER L’INFERENZA CAUSALE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. A. Paggiaro)
Prerequisiti:
Modelli Statistici 1, Statistica 2.
Conoscenze e abilità da acquisire:
L'obiettivo e' consentire allo studente di individuare di volta in volta il metodo più adatto alla
soluzione di un problema concreto e di utilizzarlo ed interpretarne i risultati in modo appropriato.
Modalità di esame:
Prova pratica in aula informatica e discussione dei risultati.
Criteri di valutazione:
Lo studente deve dimostrare autonomia e spirito critico nell'applicare le metodologie acquisite nel
corso per la soluzione di casi reali.
Contenuti:
1) Introduzione
- inferenza statistica e causalità
- dati sperimentali, osservazionali e quasi-sperimentali; selection bias
- cenni ai diversi approcci per l'inferenza causale.
2) Approccio con risultati potenziali: Rubin Causal Model
- eventi fattuali e controfattuali
- metodi di identificazione dell'impatto parametrici e non parametrici
- selezione nelle osservabili: regressione, p-score matching, Regression Discontinuity Design
- selezione nelle non osservabili: variabili strumentali, diff-in-diff.
3) Modelli ad equazioni strutturali (SEM)
- modelli strutturali e causalità
- specificazione, identificazione e stima di modelli complessi
- effetti diretti e indiretti: path analysis, mediazione e moderazione
- modelli con variabili latenti e/o errori di misura.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni teoriche frontali e studi di caso con software statistici in aula ASID.
126
Eventuali indicazioni sui materiali di studio:
Materiale didattico distribuito dal docente.
Testi di riferimento:
- Kline, Rex B., Principles and practice of structural equation modeling. New York: Guilford
press, 2011.
- Acock, Alan C., Discovering structural equation modeling using Stata. Texas: Stata Press,
2013.
- Angrist, Joshua D.; Pischke, Jörn-Steffen, Mastering Metrics: The path from cause to effect.
Princeton: Princeton University Press, 2015.
METODOLOGIE E DETERMINAZIONI QUANTITATIVE D’AZIENDA
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. G. Muraro)
Prerequisiti:
Economia aziendale.
Conoscenze e abilità da acquisire:
L’insegnamento ha ad oggetto le tecniche e le metodologie del controllo di gestione, con particolare
riguardo al controllo economico-finanziario, nelle aziende di produzione di serie e per commessa.
Tra le principali tecniche verranno affrontate: l’analisi di bilancio per indici, per consentire allo
studente di conoscere i principali indicatori di redditività, di solidità patrimoniale e di liquidità, e di
comprenderne le relazioni; il budgeting, l’analisi costi – volumi – risultati e l’analisi degli
scostamenti, per esplicare i principi della programmazione aziendale e del controllo concomitante.
La trattazione delle principali metodologie di analisi dei costi consentirà di conoscere le modalità di
determinazione di risultati parziali, relativi alle diverse tipologie di prodotti/servizi, clienti ed altre
aree in cui scomporre la redditività aziendale.
Modalità di esame:
L'esame sarà scritto con una parte di teoria ed una parte con esercizi. Ogni parte conterà 50% del
voto finale.
Contenuti:
Contabilita' direzionale e costi; l'analisi costi volumi risultati; costo di prodotto e contabilita' per
centri di costo; il bilancio e analisi per indici dello stesso; activity based costing; direct costing e
analisi differenziale.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali con uso di slides, discussioni in aula, esercitazioni pratiche aventi ad oggetto case
studies.
Testi di riferimento:
L. Cinquini, Strumenti per l'analisi dei costi Volume I. --: Giappichelli Editore, 2013.
127
MICROECONOMIA
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. M. Moretto)
Prerequisiti:
Conoscenza di Matematica Generale.
Conoscenze e abilità da acquisire:
Il corso si propone di fornire agli studenti una serie di modelli economici (cioè rappresentazioni
semplificate e formalizzate) del comportamento di famiglie e imprese, al fine di comprendere gli
elementi essenziali che determinano o influiscono sulle scelte di consumo, di risparmio, di
investimento e di produzione. Partendo dalle scelte e dai comportamenti individuali, si potrà
determinare l'equilibrio di mercato e si potrà misurarne il beneficio sociale.
Modalità di esame:
Esame in forma scritta.
Criteri di valutazione:
In sede d'esame si valutera' la preparazione dello studente.
Contenuti:
Teoria delle scelte del consumatore.
L'agente famiglia come fornitrice di risorse.
Le scelte in condizioni di incertezza.
Teoria dell'impresa, tecnologia e costi.
Equilibrio nei mercati concorrenziali.
Equilibrio economico generale ed economia del benessere.
Il Monopolio.
Introduzione alla teoria dei giochi.
Oligopolio e comportamento strategico.
Attività di apprendimento previste e metodologie di insegnamento:
Comprendere la funzione, i pregi e i limiti della modellizzazione economica, sapere impostare
formalmente e risolvere problemi tipici della microeconomia.
Lezioni frontali con esercizi svolti durante le lezioni.
Eventuali indicazioni sui materiali di studio:
Consultare il servizio elearning del Dipartimento di Scienze Economiche e Aziendali "Marco
Fanno".
Testi di riferimento:
Michael L. Katz, Harvey S. Rosen (traduzione curata da Carlo Andrea Bollino), Microeconomia,
Microeconomia 4 o 5 Ed.. Italia: McGraw Hill, anno: >2007, --.
128
MISURA DEI FENOMENI ECONOMICI E AZIENDALI
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. O. Paccagnella)
Prerequisiti:
L’insegnamento di "Misura dei Fenomeni Economici e Aziendali" ha come prerequisito
l’insegnamento di "Statistica 1" e come propedeuticità "Istituzioni di Analisi Matematica".
Conoscenze e abilità da acquisire:
Gli obiettivi del corso sono:
- introdurre gli studenti alla comprensione delle basilari questioni di “misura” delle grandezze
economiche, delle loro variazioni nel tempo e nello spazio, delle loro caratteristiche distributive;
- guidare gli studenti all’uso degli strumenti idonei a questi scopi, sia presentandone principi e
proprietà salienti (di massima muovendo da casi/problemi per motivare e illustrare metodi e
strumenti), sia abituandoli a impiegarli in maniera appropriata in problemi applicativi.
Modalità di esame:
L’esame si svolge mediante con una prova scritta (da espletarsi eventualmente anche in Aula
Computer) e/o orale, alla quale accederanno gli studenti che avranno superato un pre-test di teoria.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti svolti
e delle principali caratteristiche degli strumenti di “misura” presentati, sia in termini di concetto sia
in termini di applicazione (interpretazione) su dati reali di carattere economici e/o aziendale.
Contenuti:
1) Fonti: Strumenti di acquisizione delle informazioni statistiche in ambito economico-aziendale
- L’informazione statistica: dati primari/secondari e interni/esterni.
- Qualità dell’informazione statistica. Esempi di informazione statistica riportata dai media.
- Le unità di attività economica e le branche di attività economica: la classificazione ATECO.
- Principali fonti dei dati: censimenti e archivi statistici delle imprese, indagini campionarie, fonti
amministrative (con approfondimenti).
- Visione ed utilizzo di alcune banche dati per la misura di grandezze economiche e aziendali.
2) Misura e stima dei fattori produttivi
- Il capitale materiale e la sua valutazione.
- Il fattore lavoro e le forze di lavoro. Le unità di lavoro.
3) I numeri indici
- Note metodologiche generali e classificazione dei numeri indici.
- L’approccio economico al calcolo dei numeri indici sintetici.
- I numeri indici temporali sintetici: l’approccio statistico.
- I principali indici sintetici costruiti in Italia (numeri indici dei prezzi, delle attività produttive, dei
costi di produzione, del commercio con l’estero, etc.).
- La misura dell’inflazione.
- Principali applicazioni dei numeri indici in ambito aziendale.
4) Elementi di Contabilità Nazionale
- Il quadro di riferimento: i sistemi SNA e SEC.
- Operazioni e principali aggregati economici.
- Il sistema dei conti economici (versione semplificata).
- I conti trimestrali (cenni).
5) Confronti temporali di aggregati economici
129
- Valutazione degli aggregati economici a prezzi costanti.
- Principali applicazioni in ambito economico.
- Misure di produttività parziale e globale: la produttività di un’azienda nel tempo.
6) Confronti spaziali di aggregati economici
- Confronti binari e multipli.
- Misura e confronto della produttività tra aziende.
7) Indici e misure di concentrazione e distribuzione di risorse economiche
- Distribuzione del reddito. Concentrazione.
- Indicatori di disuguaglianza dei redditi e di povertà.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso verrà erogato per mezzo di lezioni frontali, sia teoriche sia con esercizi su dati reali.
Possibili approfondimenti potrebbero essere programmati in Aula Computer.
La frequenza alle lezioni, seppure non obbligatoria, è vivamente consigliata.
Eventuali indicazioni sui materiali di studio:
Documentazione ufficiale proveniente dall'ISTAT e da altre fonti ufficiali di dati, disponibile
solitamente on-line.
Altro materiale didattico verrà reso disponibile durante lo svolgimento dell’insegnamento.
Testi di riferimento:
- Baldini M., Toso S., Diseguaglianza, povertà e politiche pubbliche. Bologna: Il Mulino,
2009.
- Bracalente B., Cossignani M., Mulas A., Statistica aziendale. Milano: McGraw-Hill, 2009.
- Predetti A., I numeri indici. Teoria e pratica dei confronti temporali e spaziali, XI° ed..
Milano: Giuffré, 2006.
- Siesto V., La contabilità nazionale Italiana. Il sistema dei conti del 2000, nuova edizione.
Bologna: Il Mulino, 1996.
MODELLI STATISTICI 1
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. M. Grigoletto, Matricola dispari: Prof. L. Ventura)
Prerequisiti:
Istituzioni di analisi matematica, Statistica I, Statistica II, Algebra lineare, Istituzioni di calcolo
delle probabilità.
Conoscenze e abilità da acquisire:
Il Corso è finalizzato a far acquisire agli studenti i metodi statistici per la costruzione, la validazione
e l'utilizzo di modelli di regressione.
Il Corso fornisce anche gli strumenti necessari per l'analisi al computer dei modelli di regressione,
tramite il software statistico R.
Modalità di esame:
Esame scritto.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sull'acquisizione dei concetti e delle
metodologie proposte, e sulla capacità di applicarli.
130
Contenuti:
Il modello lineare
- Problemi di regressione.
- Il modello di regressione lineare normale.
- Inferenza basata sulla verosimiglianza: stima puntuale, intervalli di confidenza, verifica di ipotesi
lineari sui coefficienti di regressione e test F.
- Ipotesi del secondo ordine e teorema di Gauss Markov.
- Analisi critica e costruzione del modello: metodi diagnostici (analisi dei residui, individuazione di
valori anomali e punti leva), tecniche per la selezione delle variabili.
Analisi della varianza e della covarianza
- Modelli con variabili indicatrici.
- Analisi della varianza ad una e a due vie.
- Analisi della covarianza.
Il modello lineare generalizzato
- Discussione critica dei modelli lineari e motivazioni per la loro generalizzazione.
- Dati binari e modelli di regressione logistica (verosimiglianza, stima dei parametri, interpretazione
delle stime dei parametri, problemi di verifica d'ipotesi).
- La regressione di Poisson (verosimiglianza, stima dei parametri, problemi di verifica d'ipotesi).
Attività di apprendimento previste e metodologie di insegnamento:
Il corso prevede delle lezioni frontali ed esercitazioni in aula informatica. Durante tali esercitazioni
si propone l'analisi di casi studio provenienti da diversi contesti applicativi utilizzando il software
R.
Eventuali indicazioni sui materiali di studio:
Durante il corso saranno messi in distribuzione eventuali lucidi delle lezioni e la dispensa di R per
le esercitazioni in aula informatica.
Testi di riferimento:
- PACE L. e SALVAN A., Introduzione alla Statistica – II. Inferenza, Verosimiglianza,
Modelli. Padova: Cedam, 2001.
- AZZALINI A., Inferenza Statistica: una Presentazione basata sul Concetto di
Verosimiglianza, 2a edizione. Milano: Springer-Italia, 2004.
- BORTOT P., VENTURA L. e SALVAN, A., Inferenza Statistica: Applicazioni con S-Plus e
R. Padova: Cedam, 2000.
MODELLI STATISTICI 2
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. A. Salvan)
Prerequisiti:
Istituzioni di Analisi Matematica.
Algebra Lineare.
Istituzioni di Probabilità .
Statistica 1 e 2.
Modelli Statistici 1.
131
Conoscenze e abilità da acquisire:
Il corso mira ad approfondire teoria e applicazioni dei modelli di regressione con particolare
riferimento ai modelli lineari generalizzati. Sono trattati modelli per dati continui, binari, categoriali
e di conteggio. Sono forniti alcuni elementi introduttivi ai modelli per dati correlati. Il corso tratta
inoltre gli strumenti necessari per l'analisi dei dati utilizzando modelli di regressione, tramite il
software statistico R.
Modalità di esame:
Esame scritto in aula informatica (si richiederà l'uso di R per lo svolgimento di alcuni calcoli).
Criteri di valutazione:
Si valuteranno la preparazione dello studente sui contenuti oggetto del corso, la sua capacità di
analizzare le caratteristiche dei modelli e di interpretare e valutare criticamente i risultati delle
analisi svolte.
Contenuti:
I modelli lineari generalizzati (Generalized Linear Models, GLM)
- Famiglie esponenziali, di dispersione esponenziali e GLM: modelli, momenti, funzione di legame
e verosimiglianza.
- Inferenza sui parametri di un GLM (stima puntuale, verifica d'ipotesi e regioni di confidenza)
- Adeguatezza dei modelli: devianza e residui.
- Casi notevoli: regressione binomiale, Poisson e gamma.
- Sovradispersione e quasi-verosimiglianza.
- Tabelle di frequenza: modelli log-lineari.
- Modelli multinomiali per risposte nominali o ordinali.
- Elementi introduttivi ai modelli per dati correlati (modelli marginali, modelli lineari generalizzati
misti, equazioni di stima generalizzate).
Attività di apprendimento previste e metodologie di insegnamento:
Il corso verrà erogato per mezzo di lezioni di teoria ed esercitazioni in laboratorio informatico.
Eventuali indicazioni sui materiali di studio:
Materiale didattico sarà reso disponibile sulla pagina web del corso.
Testi di riferimento:
- Agresti, A., Foundations of Linear and Generalized Linear Models. Hoboken: John Wiley &
Sons Inc, 2015.
- Dobson, A. and Barnett, A., An Introduction to Generalized Linear Models, Third Edition.
Boca Raton, FL: Chapman and Hall/CRC, 2008.
- Madsen, H. and Thyregod, P., Introduction to General and Generalized Linear Models. Boca
Raton, FL: Chapman and Hall/CRC, 2010.
- Azzalini, A., Inferenza Statistica: una Presentazione basata sul Concetto di Verosimiglianza.
Milano: Springer-Italia, 2001. Capitolo 6 (in English: Azzalini, A. (1996). Statistical
Inference, based on the Likelihood. Chapman and Hall, Chapter 6).
- Pace, L., Salvan, A., Introduzione alla Statistica - II. Inferenza, Verosimiglianza, Modelli.
Padova: Cedam, 2001. Capitoli 8 e 10.
- Bortot, P., Ventura, L., Salvan, A., Inferenza Statistica: Applicazioni con S-Plus e R.
Padova: Cedam, 2000. Capitolo 5.
- Pace, L., Salvan, A., Teoria della Statistica: Metodi, Modelli, Approssimazioni Asintotiche.
Padova: Cedam, 1996. Capitolo 6 (in English: Pace, L., Salvan, A. (1997). Principles of
Statistical Inference. World Scientific, Singapore, Chapter 6).
132
MODELLI STATISTICI APPLICATI
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Prof. G. Cortese)
Prerequisiti:
Istituzioni di analisi matematica, Istituzioni di probabilità, Statistica II, Modelli statistici I.
Conoscenze e abilità da acquisire:
I fenomeni ambientali e territoriali richiedono spesso lo studio di una componente spaziale, mentre
gli studi biomedici coinvolgono spesso la componente temporale.
L'obiettivo del corso è fornire agli studenti una conoscenza introduttiva degli strumenti statistici per
descrivere ed analizzare fenomeni specifici in ambito ambientale, territoriale e biomedico. Inoltre,
in ambito di progettazione degli esperimenti, lo scopo del corso consiste nel fornire un'introduzione
ragionata ai disegni di base.
Il corso si propone inoltre di rendere gli studenti capaci di scegliere ed applicare la tecnica ed il
modello statistico appropriato per l'elaborazione delle diverse tipologie di dati ambientali e
biomedici, grazie all'uso di specifici pacchetti del software statistico R. A tale scopo, verranno
discussi ed analizzati diversi casi studio di interesse attuale.
Modalità di esame:
L'esame consiste in una prova scritta riguardante sia la parte teorica che la parte pratica del corso,
ha quindi lo scopo di accertare sia le conoscenze sulla teoria metodologica, sia la capacità di
applicare tale conoscenze a dati reali ed interpretarne i risultati.
La prova scritta potrà eventualmente essere divisa in due parti per il Modulo I e per i Moduli II-III.
È possibile un eventuale integrazione con esame orale su richiesta del docente.
Criteri di valutazione:
Completezza, precisione ed esattezza delle risposte alle domande, e nello svolgimento degli
esercizi; capacità di applicare le tecniche statistiche studiate in modo autonomo e consapevole;
capacità di analisi critica ed interpretazione dei risultati ottenuti dalle applicazioni.
Contenuti:
Il corso si propone di fornire alcuni strumenti statistici legati a specifiche applicazioni in ambito
tecnologico, ambientale e biomedico, ed è sviluppato in tre moduli distinti come segue:
Modulo I: disegno degli esperimenti.
Un problema introduttivo: Il problema di Hoetteling o problema delle pesate, Stimatori ottimali.
Definizione di esperimento, casualizzazione, piano completamente casualizzato. Stima e test di un
dispositivo completamente randomizzato ad un fattore. Teorema di Cochran.
Dispositivi a blocchi incompleti e casualizzazione. Modello associato e sua analisi statistica.
Funzioni stimabili e connessioni.
Dispositivi con più fattori sotto controllo: quadrati latini e greco latini. Dispositivi fattoriali e non
(cenni).
Modulo II: modelli per l'analisi dei dati di sopravvivenza.
I dati relativi al tempo di attesa fino al verificarsi di un evento prendono generalmente il nome di
dati di sopravvivenza.
Introduzione ai dati di sopravvivenza e loro peculiarità: dati incompleti, censura a destra,
troncamento a sinistra, schemi di censura.
Funzione di rischio, funzione di sopravvivenza, relative stime non parametriche e test per il
confronto fra più popolazioni.
133
Modelli parametrici per dati di sopravvivenza. Modello semi-parametrico di Cox.
Verifica delle assunzioni sottostanti ai modelli per dati di sopravvivenza, selezione del modello.
Modulo III: modelli per l'analisi di fenomeni ambientali
.
Introduzione alle tipologie di dati spaziali, come ad esempio dati ambientali e geostatistici.
Analisi esplorativa e visualizzazione grafica di dati spaziali.
Misure di dipendenza spaziale, variogramma, kriging.
Modelli statistici per dati spaziali.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali ed esercitazioni in laboratorio con l'uso del software R. Sono eventualmente
previste attività in itinere con esercizi da risolvere in gruppo utilizzando il software R. Il corso
prevede eventuali attività di seminari da parte di esperti esterni, volte ad illustrare casi reali di
applicazioni nelle tecnologie e nelle scienze.
Eventuali indicazioni sui materiali di studio:
Durante il corso saranno resi disponibili eventuali appunti e lucidi delle lezioni, ed il codice R usato
nei laboratori. In aggiunta, dove necessario, ulteriore materiale didattico e dispense saranno
reperibili nel sito accessibile agli studenti.
Testi di riferimento:
- Graeme D. Ruxton , Nick Colegrave., Experimental design for the life sciences.. --: Oxford
University Press (third edition), 2010.
- John P. Klein, Melvin L. Moeschberger., Survival analysis: Techniques for Censored and
Truncated data.. US: New York: Springer-Verlag (2nd edition), 2003.
- Roger S. Bivand, Edzer J. Pebesma, Virgilio Gómez-Rubio., Applied Spatial Data Analysis
with R.. US: New York: Springer, 2008.
- Peter J. Diggle, Paulo J. Ribeiro Jr., Model-based Geostatistics.. US: New York: Springer,
2007.
MODELLI STATISTICI DI COMPORTAMENTO ECONOMICO
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. A. Paggiaro)
Prerequisiti:
Statistica 2, Modelli Statistici 1.
Conoscenze e abilità da acquisire:
Il corso presenta diversi approcci e metodi statistici utilizzati per applicazioni in ambito economico,
sia dal punto di vista metodologico che con numerosi studi di caso su dati reali. L'obiettivo e'
consentire allo studente di individuare di volta in volta il metodo più adatto alla soluzione di un
problema concreto e di utilizzarlo ed interpretarne i risultati in modo appropriato.
Modalità di esame:
Prova pratica in aula informatica e discussione dei risultati.
Criteri di valutazione:
Lo studente deve dimostrare autonomia e spirito critico nell'applicare le metodologie acquisite nel
corso per la soluzione di casi reali.
134
Contenuti:
1) Introduzione alla modellazione in ambito economico
- Specificazione e interpretazione economica dei parametri
- Parametri strutturali, causali e in forma ridotta.
2) Specificazione e stima di modelli lineari
- Specificazione del modello e interpretazione degli assunti nelle applicazioni economiche
- Richiami alla stima OLS
- Eteroschedasticita', stime GLS e standard error robusti
- Caratteristiche delle variabili (variabili categoriali, trasformazioni non lineari, interazioni)
- Variabili esogene ed endogene.
3) Introduzione a metodi avanzati per l'analisi di dati economici
- Analisi di dati longitudinali
- Variabili strumentali
- Modelli a equazioni simultanee
- Modelli non-lineari
- Valutazione di impatto di politiche.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni teoriche frontali e studi di caso con software statistici in aula ASID.
Eventuali indicazioni sui materiali di studio:
Materiale didattico distribuito dal docente.
Testi di riferimento:
Wooldridge, Jeffrey M., Introduction to econometrics. Andover: Cengage Learning, 2014.
MODELLI STATISTICI PER DATI ECONOMICI
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Caporin)
Prerequisiti:
Quelli previsti dall’ordinamento del corso di laurea.
Conoscenze e abilità da acquisire:
Lo scopo del corso è di fornire allo studente la preparazione necessaria per costruire ed impiegare
modelli statistici, prevalentemente dinamici, in presenza di dati di natura economica. La
presentazione e lo studio delle caratteristiche principali delle varie classi di modelli saranno
costantemente accompagnati da applicazioni su dati economici reali condotte tramite l’impiego di
software adeguato.
Modalità di esame:
Le modalità d'esame saranno specificate nella prima settimana di lezione.
Criteri di valutazione:
La valutazione mira a stabilire se e in quale misura lo studente è in grado di costruire modelli
adeguati per dati economici e la sua capacità di applicare correttamente tali modelli in situazioni
reali.
135
Contenuti:
Introduzione: classificazione e caratteristiche dei dati economici; principali classi di modelli utili
per la modellazione di relazioni economiche.
Modelli ad equazioni simultanee: forma strutturale, forma ridotta, identificazione e stima (cenni).
Modelli per dati di panel: specificazione e stima di modelli con componente d’errore a una e due
vie, modelli dinamici per dati di panel.
Modelli per serie storiche multivariate: modelli VAR, VARMA, VARMAX, modelli non stazionari,
specificazione, stima e loro impiego.
Modelli state-space: esempi, specificazione, stima e loro impiego.
Introduzione alla quantile regression per le applicazioni economiche.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali con esercizi eventualmente da completare al di fuori dell'orario di lezione;
esercitazioni pratiche con software opportuno in aula informatica (ASID).
Eventuali indicazioni sui materiali di studio:
Testi principali di riferimento, testi ed articoli di consultazione.
Materiale didattico integrativo reso disponibile durante il corso.
Testi di riferimento:
- Greene W. H., Econometric Analysis (7th edition). --: Prentice Hall, 2012.
- Baltagi, B. H., Econometric Analysis of Panel Data (4th edition). --: Wiley, 2008.
- Tsay R. S., Multivariate Time Series Analysis With R and Financial Applications. --: Wiley,
2014.
- Durbin J. and Koopman S.J., Time Series Analysis by State Space Methods (2nd edition). --:
Oxford University Press, 2012.
- Petris G., Petrone S., Campagnoli P., Dynamic Linear Models with R. --: Springer, 2009.
- Koenker R:., Quantile Regression. --: Cambridge University Press, 2005.
MODELLI STATISTICI PER DATI SOCIALI
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. F. Ongaro)
Prerequisiti:
Conoscenze di contenuti impartiti nel corso di Modelli statistici 2.
Conoscenze e abilità da acquisire:
1. Conoscere e utilizzare correttamente alcune tecniche di EHA.
2. Conoscere e usare correttamente modelli multilevel/gerarchici e frailty.
3. Saper usare procedure di SAS per effettuare le analisi statistiche proposte nel corso.
Modalità di esame:
Prova scritta composta da test su teoria e da esercitazione SAS al computer.
Eventuale prova orale successiva potrebbe essere richiesta ad integrazione della valutazione della
prova scritta.
Criteri di valutazione:
La valutazione mira a stabilire se e in quale misura lo studente ha appreso gli aspetti non solo
formali ma anche interpretativi della modellistica proposta e qual è la sua capacità di applicarli
correttamente in situazioni reali.
136
Contenuti:
1. Modelli per dati di durata
- Richiami di nozioni base per analisi dati durata: concetti base; funzioni base nel continuo e nel
discreto; metodi non parametrici.
- Modelli a tempo continuo: classi di modelli; il modello semiparametrico a rischi proporzionali e
sue estensioni oltre il modello base (variabili tempo dipendenti, effetti non proporzionali, rischi
competitivi); modelli parametrici a rischi proporzionali e a tempi accelerati (esponenziale, weibull,
esponenziale a tratti, cenni ad altri modelli a rischio non monotono).
- Modelli a tempo discreto: person period e modello a odds proporzionali (base e estensioni).
2. Modelli frailty (nel continuo)
- Introduzione al concetto di frailty.
- Frailty univariati: modelli semiparametrici e parametrici; metodi di stima.
- Shared frailty models.
3. Modelli multilevel
- Il modello multilevel come pooling parziale dei dati
- Modelli a risposta continua: modelli a intercetta casuale; modelli a effetti casuali; inferenza per
effetti fissi e per effetti casuali;
- Modelli a risposta discreta: modelli logistici a effetti casuali; modelli a tempo discreto con effetti
casuali; inferenza per effetti fissi ed effetti casuali.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali, esercitazioni in aula informatica (programmazione e analisi) nelle quali si userà il
software SAS.
Eventuali indicazioni sui materiali di studio:
Materiali di studio sono i testi di riferimento, le slide delle lezioni/esercitazioni a computer, le basi
di dati utilizzate per le esercitazioni a computer. Eventuali materiali aggiuntivi saranno distribuiti
dal docente durante il corso.
Testi di riferimento:
- Singer J.D., Willet J. B.,, Applied longitudinal data analysis. Modeling change and event
occurence. Oxford: Oxford University Press, 2003. (capp. 9, 11, 13-15).
- Allison P.D.,, Survival analysis using SAS. A practical guide, 2nd edition.. --: SAS Institute
Corporation, 2010. (capp. 1-3, 5.)
- Snijders T.A.B., Bosker R:J., ), Multilevel Analysis. An Introduction to Basic and Advanced
Multilevel Modeling. --: Sage, 2012. (capp. 1-5, 10, 17)
OTTIMIZZAZIONE: MODELLI E METODI
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Prof. G. Andreatta)
Prerequisiti:
Conoscenze elementari di Informatica (Excel) e di Calcolo delle probabilità.
Conoscenze e abilità da acquisire:
Imparare ad analizzare problemi decisionali in lingua corrente e a costruire alcuni modelli
matematici che li rappresentino. Tali modelli verranno poi risolti con un software, ma si cercherà di
137
sviluppare senso critico per capire se la soluzione fornita è accettabile, o se il modello va
perfezionato.
Modalità di esame:
L'esame consiste in una prova scritta individuale, eventualmente integrata da una prova orale.
Criteri di valutazione:
Valutazione della comprensione degli argomenti svolti a lezione.
Contenuti:
Il programma del corso si articola nei seguenti argomenti (i riferimenti sono al libro di testo):
CAP 1 Introduzione alla Modellizzazione
CAP 2 Introduzione alla Modellizzazione in Excel
CAP 3 Modelli di Ottimizzazione
CAP 4 Modelli di Ottimizzazione Lineare
CAP 5 Modelli a rete
CAP 6 Modelli di Ottimizzazione con variabili intere
CAP 7 Modelli di Ottimizzazione Non Lineare
CAP 9 Ottimizzazione Multiobiettivo
CAP 10 Ottimizzazione in condizioni di incertezza
CAP 15 Gestione di progetti
Inoltre, non previsti nel libro di testo:
Metodo grafico per la risoluzione di un problema di PL in due dimensioni
Geometria della PL
Metodo del Simplesso.
Attività di apprendimento previste e metodologie di insegnamento:
La maggior parte delle lezioni non sarà di tipo teorico, ma si baserà su una serie di esempi, alcuni
svolti dal docente in aula, alcuni affrontati assieme agli studenti nella apposita aula attrezzata con
computer.
Eventuali indicazioni sui materiali di studio:
Oltre al libro di testo, ulteriore materiale sarà messo a disposizione nel sito dedicato al corso.
Testi di riferimento:
S.C. Albright e W.L. Winston, Management Science Modeling. --: South-Western Cengage
Learning, 2009. Revised third edition, International Student Edition, ISBN-13: 978-0-324-66346-4;
ISBN-10: 0-324-66346-3 .
OTTIMIZZAZIONE STOCASTICA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. G. Andreatta)
Prerequisiti:
Una buona conoscenza e comprensione della lingua inglese sia scritta che parlata.
Conoscenze e abilità da acquisire:
Fornire una panoramica degli strumenti che aiutano a prendere le migliori decisioni anche quando le
informazioni utili non sono completamente disponibili in modo certo ma solo in termini
probabilistici.
138
Modalità di esame:
L'esame consiste in una prova scritta individuale, eventualmente integrata da una prova orale, e
nell'analisi di un progetto (lavoro di squadra, tipicamente 3-4 persone) su un argomento da
concordare con il docente.
Contenuti:
Il programma del corso verte sui seguenti argomenti:
- Teoria delle Code
- Analisi decisionale
- Ottimizzazione robusta
- Processi decisionali markoviani
- Ottimizzazione stocastica
- Revenue Management
- Simulazione a eventi discreti
- Simulazione di tipo continuo
- Uso di software specifico per la Simulazione.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni teoriche in aula. Esercitazioni in laboratorio.
Eventuali indicazioni sui materiali di studio:
Oltre al libro di testo, ulteriore materiale sarà messo a disposizione nel sito dedicato al corso.
Testi di riferimento:
G. Ghiani e R. Musmanno, Modelli e metodi decisionali in condizioni di incertezza e rischio. --:
McGraw-Hill, 2009. ISBN 978-88-386-6636-0 .
PERSONAL FINANCE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. G. Weber)
Prerequisiti:
Introduzione all'Economia Finanziaria della LT SEF, oppure Teoria della Finanza o Computational
Finance del corso di LM di Scienze Statistiche, o equivalente.
Conoscenze e abilità da acquisire:
Il corso è interamente in lingua inglese. Il titolo corrispondente in Italiano è Finanza Personale.
Tratta delle decisioni finanziarie che vengono prese da individui o nuclei familiari: scelta di
portafoglio, scelte di consumo/risparmio, investmento immobiliare e mutui ipotecari, pensioni
integrative o complementari, piani pensionistici individuali, decisioni di indebitamento con prestiti
personali. Copre sia il trattamento standard dei problemi di investimento finanziari che i
consumatori/risparmiatori devono affrontare nell'arco della vita, sia il trattamento suggerito dalla
finanza comportamentale.
Modalità di esame:
Esame scritto (le domande sono in inglese - le risposte possono essere in inglese o in italiano).
139
Criteri di valutazione:
L'esame consiste di quattro o cinque domande scritte, almeno due da ciascuna parte del corso
(standard e comportamentale). Le domande sono in inglese - le risposte possono essere in inglese o
in italiano.
Contenuti:
Personal finance (also known as household finance) asks how households actually invest, and how
they should invest. It tackles the issues of participation in financial markets and portfolio
diversification as well as the consumption/saving choice. It further investigates financial investment
issues that are particularly relevant for individuals or households: housing and mortgage decisions,
consumer credit, and investment in private pensions. The first half of the course will be devoted to
the standard model, where individuals maximize expected life-time utility subject to a number of
constraints.
The second half of the course will instead introduce an alternative approach, known as behavioural
finance.
Behavioural finance builds upon some descriptive models for decision making under risk recently
developed by psychologists, focusing on prospect theory, cumulative prospect theory and on the
concepts of loss aversion, probability distortion, and mental accounting. This part of the course will
provide a description of market anomalies and inefficiencies, and discuss some psychological biases
and limits of real investors that might generate those anomalies. It will then present behavioural
models for portfolio selection that can explain these anomalies, also discussing how they can be
integrated into the advisory process of banks.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali - possibilità di approfondimento di un argomento con stesura di un saggio (solo per
i frequentanti).
Eventuali indicazioni sui materiali di studio:
There is no textbook for this course. An introduction to some of the topics of the course is presented
in the following journal articles/books:
John Campbell, "Household Finance", Presidential Address to the American Finance Association,
Journal of Finance. 61:1553-1604, August 2006.
Guiso, Luigi, Michael Haliassos and Tullio Jappelli, “Introduction to Household Portfolios”, in
Household Portfolios, L. Guiso, T. Jappelli and M. Haliassos (eds.), MIT Press, Boston, December
2003.
James Montier, Behavioral Finance, John Wiley & Sons, New York, 2002.
Hersh Shefrin, A Behavioural Approach to Asset Pricing, Academic Press, San Diego, 2008.
Andrei Shleifer, Inefficient Markets: An Introduction to Behavioral Finance, Oxford University
Press, Oxford, 2000.
Testi di riferimento:
- Luigi Guiso, Michael Haliassos and Tullio Jappelli, Household Portfolios. Boston: MIT
Press, 2003.
- James Montier, Behavioral Finance. New York: John Wiley & Sons, 2002.
140
POLITICA ECONOMICA
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. O. Chillemi)
Prerequisiti:
Microeconomia
Macroeconomia.
Conoscenze e abilità da acquisire:
Il corso intende sviluppare negli studenti le conoscenze e le abilità necessarie per comprendere il
dibattito sul welfare pubblico e la sua sostenibilità.
Modalità di esame:
Prova scritta, con orale integrativo facoltativo.
Criteri di valutazione:
La prova scritta sarà integrata da una tesina su argomento concordato con il docente. I pesi delle due
prove saranno rispettivamente 60% e 40% del voto finale.
Contenuti:
Prima parte
1. Fondamenti dell’intervento pubblico nell’economia
- Efficienza paretiana
- Economia del Benessere: 1° e 2° Teorema Fondamentale
- Fallimenti del mercato
- Efficienza e distribuzione
- Fallimenti dell’intervento pubblico.
2. Introduzione ai mercati con asimmetrie informative
- Segnalazione (signalling)
- Antiselezione (adverse selection)
- Rischio morale (moral hazard).
3. Intervento pubblico in alcuni settori
- Sanità
- Sicurezza sociale.
Seconda parte
4. I problemi dell'Unione Monetaria Europea. La politica monetaria comune. L'Unione Bancaria. La
politica fiscale.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali, esercitazioni e attività seminariale su letture suggerite dal docente.
Eventuali indicazioni sui materiali di studio:
Il docente metterà a disposizione degli studenti frequentanti le sintesi delle lezioni frontali e i testi
degli esercizi risolti. per gli studenti che non intendono frequentare è previsto un programm
alternativo da preparare sul testo Rosen-Gayer, Scienza delle finanze IV edizione McGraw-Hill.
141
Testi di riferimento:
Rosen H. S., Gayer T.,, Scienza delle Finanze. --: MGraw-Hill, --. Il programma riguarda i capitoli
1, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 15, 21 della IV edizione .
POPOLAZIONE E MUTAMENTO SOCIO-ECONOMICO
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. F. Ongaro)
Prerequisiti:
Statistica I.
Conoscenze e abilità da acquisire:
1. Acquisire le tecniche essenziali dell'analisi demografica allo scopo di costruire, utilizzare e
interpretare correttamente i principali indicatori di struttura e dinamica delle popolazioni (fecondità,
sopravvivenza, movimenti migratori).
2. Sapersi muovere tra le fonti di dati demografici (specificamente quelle reperibili nel sito
dell'ISTAT) per reperire dati utili a descrivere direttamente i fenomeni o a costruire indicatori
demografici di base.
3. Conoscere e interpretare le dinamiche demografiche in atto (invecchiamento popolazione,
trasformazioni familiari, aumento sopravvivenza e calo fecondità, popolazione straniera e flussi
migratori) con particolare riferimento ai paesi sviluppati e all'Italia.
4. Effettuare semplici prospettive di base e derivate.
Modalità di esame:
Prova scritta finale con eventuale integrazione orale. Il voto d'esame potrà essere integrato da
esercitazioni individuali assegnate durante il corso.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla sua comprensione dei concetti e
delle metodologie proposte e sulla sua capacità di applicarli in modo autonomo e consapevole. Si
chiederà infine allo studente di saper collocare la situazione demografica italiana nell'ambito della
dinamica dei processi demografici attualmente in atto nei paesi sviluppati.
Contenuti:
1. Cosa studia la demografia e a quali domande risponde. Ammontare e ritmo di crescita di una
popolazione: misure di accrescimento e tempi di raddoppio. Le componenti demografiche della
crescita: bilancio demografico e tassi generici di natalità, mortalità, migratorietà.
2. La transizione demografica nei paesi sviluppati: dinamica e fattori socio-economici. L'esperienza
italiana. La transizione demografica nei Paesi in via di sviluppo.
3. Fonti ufficiali (italiane) di dati demografici. Fonti internazionali (cenni).
4. La struttura della popolazione (età, sesso, stato civile, caratteristiche socio-demografiche):
indicatori sintetici e rappresentazioni grafiche. Invecchiamento della popolazione. Famiglie e
nuclei: misure sulle famiglie e sugli individui.
5. Introduzione allo studio della dinamica di popolazione: tassi generici e tassi specifici.
Standardizzazione diretta e indiretta, con particolare riferimento alla mortalità.
6. Rappresentazione grafica di popolazioni, eventi, flussi demografici (schema di Lexis). Tassi e
probabilità. Dalle misure specifiche e quelle sintetiche: approccio longitudinale e trasversale.
7. Lo studio della mortalità e i progressi del XX secolo: tavole di mortalità e tassi di mortalità
specifici per età. Mortalità infantile in Europa e nel resto del mondo.
142
8. Lo studio della fecondità: tassi specifici, intensità e cadenza; misure longitudinali e trasversali;
fecondità per ordine di nascita.
9. La popolazione italiana dal dopoguerra ad oggi: il calo della fecondità e l'aumento della
sopravvivenza alle età anziane; l'invecchiamento della popolazione.
10. Riproduttività e ricambio delle generazioni.
11. Formazione e scioglimento delle coppie: misure di nuzialità e di divorzialità. I cambiamenti
della famiglia e la Seconda Transizione Demografica. La situazione italiana nel contesto europeo.
12. I movimenti migratori interni e internazionali: misure, fonti e dinamica recente.
13. Introduzione alle prospettive di popolazione: metodi sintetici e analitici; stime con metodo
analitico, le ipotesi sulla dinamica della popolazione. Le previsioni ISTAT. Previsioni derivate.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali, laboratori in aula informatica, esercitazioni pratiche in piccoli gruppi.
Eventuali indicazioni sui materiali di studio:
Il materiale di base per lo studio è il volume di Livi Bacci: "Introduzione alla demografia" (Loesher,
2004). Gli argomenti sviluppati nel testo sono integrati da materiale (slide delle lezioni, brevi
articoli su temi specifici, capitoli tratti da alcuni volumi sulla situazione italiana) distribuito o
indicato dal docente durante il corso.
Testi di riferimento:
- LIVI BACCI M., Introduzione alla demografia, 3a ed.,. Torino: Loescher, 2004.
- GESANO G., ONGARO F., ROSINA A., Rapporto sulla popolazione. L'Italia all'inizio del
XX secolo.. Bologna: il Mulino, 2007.
- SALVINI S., DE ROSE A., Rapporto sulla popolazione. L'Italia a 150 anni dall'Unità.
Bologna: il Mulino, 2011.
PROCESSI STOCASTICI
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Ferrante)
Prerequisiti:
Un corso base di Calcolo delle Probabilità.
Conoscenze e abilità da acquisire:
Conoscenza approfondita delle catene di Markov a tempo discreto e tempo continuo, con capacita
di risolvere autonomamente esercizi anche di livello avanzato.
Modalità di esame:
Esame scritto.
Criteri di valutazione:
Homeworks (10%) - Esame finale (90%).
Contenuti:
Definizione di processo stocastico. Probabilità condizionata e valore atteso condizionato.
Indipendenza condizionata. Catene di Markov a tempo discreto: definizione. Matrice di transizione,
leggi congiunte e proprietà di Markov. Random Walk e sue proprietà. Tempi di arresto e proprietà
di Markov forte. Probabilità e tempo medio di assorbimento. Classificazione degli stati.
Distribuzioni invarianti. Teorema di Markov. Periodicità. Teorema ergodico. Processo di Poisson:
143
costruzione del processo e definizioni equivalenti. Principali proprietà ed alcune importanti
applicazioni. Catene di Markov a tempo continuo: definizione. Matrice generatrice. Principali
proprietà, classificazione degli stati, probabilità di assorbimento, distribuzioni invarianti. Teorema
ergodico. Applicazioni: Processi di nascita e morte. Modello di Wright-Fisher. Teoria delle code.
Attività di apprendimento previste e metodologie di insegnamento:
64 ore di lezioni frontali (34 teoria e 30 esercitazioni).
Testi di riferimento:
- J.Norris, Markov Chains. Cambridge: Cambridge University Press, 1996.
- Paolo Baldi, Calcolo delle probabilità (2 ed.). Milano: McGraw-Hill, 2011.
PROGRAMMAZIONE DEGLI ESPERIMENTI
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. G. Celant)
Prerequisiti:
Conoscenze elementari di algebra lineare, analisi e statistica inferente.
Conoscenze e abilità da acquisire:
L'obiettivo del corso è quello di dare allo studente un quadro rigoroso degli strumenti base della
pianificazione sperimentale per affrontare problematiche complesse.
Nell'ambito progettuale, si verificano situazioni in cui più parametri di un apparato devono essere
ottimizzati contemporaneamente. In un approccio tradizionale, spesso basato sull'esperienza, dopo
una prima soluzione sono analizzate le prestazioni, apportate le modifiche ed esaminata la nuova
configurazione. Il rischio principale a cui si va incontro è che non si disponga di abbastanza tempo
per vagliare tutte le possibilità in modo esaustivo.
In questi problemi di ottimizzazioni complesse, il tempo speso per la simulazione di una
configurazione può essere notevole. Per ridurre i tempi di calcolo possiamo estrapolare alcuni valori
della funzione da ottimizzare. Da qui il ricorso a modelli che approssimano la funzione obiettivo. In
questa ottica il corso propone lo studio di due tipi di modelli. Le superfici di risposta (parte centrale
del corso) e le regressioni (dal punto di vista dei disegni sperimentali) di Chebyshev canonici(cenni
e idee generali). La teoria sarà esposta tramite vari esempi in ambito ingegneristico (principalmente
in ingegneria chimica). Le dimostrazioni dei risultati teorici necessari per sviluppare gli argomenti
saranno limitati alla conoscenza dell'algebra lineare e dell'analisi elementare. Qualora la
dimostrazione risulti troppo complessa quest'ultima sarà sostituita con un ragionamento euristico.
Modalità di esame:
Si richiede una relazione su un argomento relativo alle superfici e una prova orale su quanto svolto
durante il corso.
Criteri di valutazione:
Alla relazione viene assegnato un terzo del voto finale. Alla prova orale due terzi.
Contenuti:
Alcune definizioni: fattore, risposta, superficie di risposta, piano sperimentale, regione
sperimentale, matrice dell’esperimento.
Alcuni esempi di piani sperimentali: piani screening, piani fattoriali, piani miscuglio, ecc.
144
Nozione di piano mal condizionato. Perdita e recupero dell’informazione . Cenni e uso delle matrici
non invertibili per il calcolo degli effetti dei fattori in questo contesto. Un esempio che descrive una
reazione chimica nel caso che i punti di osservazione siano scelti poco distanti tra loro.
Criteri di scelta del piano: Matrice di informazione, piani isovarianti, piani a varianza minima,
A,D,G e c criteri. Il teorema di equivalenza (una dimostrazione euristica). Esempi dell’uso del
teorema di equivalenza in alcune situazioni concrete.
Studio delle relazioni di secondo grado. Definizione e significato del modello statistico che descrive
una superficie di risposta. Analisi canonica e suo uso per semplificare il modello di secondo grado e
interpretare i parametri.
Piani sperimentali e ottimizzazione di una superficie di risposta. Piani di Box-Behnken, Piani
compositi, piani di Doehlert, Piani di Roquemore, Piani D ottimali a quattro fattori.
Cenno ai piani di interpolazione ed estrapolazione e al risultato di Elfving per il calcolo dei piani cottimali.
Il corso sarà sviluppato usando vari esempi relativi all’ambito industriale.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali e esposizione di una relazione su un argomento del corso.
Eventuali indicazioni sui materiali di studio:
Il materiale di base per lo studio sono i testi di riferimento.
Testi di riferimento:
- Khuri A.I., Cornell J.A, Response surfaces. Design and Analyses. New York,: --, 1996.
- G.Celant, M.Broniatowski, Interpolation and Extrapolation Optimal Designs 1. London:
ISTE Wiley, 2016.
SERIE STORICHE
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. L. Bisaglia, Matricola dispari: Prof. T. Di Fonzo)
Prerequisiti:
Statistica I, Modelli I.
Conoscenze e abilità da acquisire:
Lo scopo del corso è di introdurre gli studenti alla comprensione delle principali caratteristiche delle
serie storiche e di guidarli alla costruzione e all'uso di semplici modelli per questo tipo di dati.
Modalità di esame:
L'esame consiste di una prova pratica e di una prova scritta. La prova pratica consiste nell'analisi di
una o più serie storiche in laboratorio. La prova scritta consiste di esercizi e domande. Una
eventuale prova orale è a discrezione del docente.
Criteri di valutazione:
Tramite le due prove in cui si articola l'esame si valuteranno la comprensione degli argomenti
trattati nel corso e la capacità di analizzare serie reali.
Contenuti:
1. Presentazione e discussione delle principali caratteristiche di serie storiche principalmente
attraverso analisi esplorative di esempi reali.
145
2. Le componenti delle serie storiche: trend, ciclo, stagionalità e componente accidentale.
Identificazione, stima mediante funzioni matematiche, analisi ed interpretazione delle componenti.
3. Destagionalizzazione: procedure di destagionalizzazione basate su medie mobili e modelli di
regressione.
4. Processi stocastici, concetti di base:
- processi stocastici
- stazionarietà, invertibilità
- media, autocovarianza, autocorrelazione
5. Modelli lineari stazionari:
- processi autoregressivi a media mobile, ARMA(p,q)
- procedura di Box-Jenkins (identificazione, stima, analisi dei residui)
- criteri di informazione automatica per la selezione del modello (AIC, BIC, HIC).
6. Modelli non stazionari e stagionali:
- non stationarietà in media: trend deterministici e stocastici
- processi a radici unitarie ARIMA(p,d,q)
- test per radici unitarie
- processi stagionali SARIMA(p,d,q)(P,D,Q).
7. Previsione:
- criterio dell'errore quadratico medio di previsione
- calcolo delle previsioni per modelli ARMA e ARIMA
- valutazione della bontà di previsione.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso verrà erogato per mezzo di lezioni frontali e lezioni in aula didattica dove verranno
illustrate, su insiemi di dati (serie storiche) reali, le tecniche descritte a lezione. La frequenza alle
lezioni, seppure non obbligatoria, è vivamente consigliata.
Eventuali indicazioni sui materiali di studio:
Slide messe a disposizione dal docente.
Testi di riferimento:
Di Fonzo T., Lisi F., Serie storiche economiche: analisi statistiche e applicazioni. Roma: Carocci,
2005.
SISTEMI DI ELABORAZIONE 1
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. N. Zingirian, Matricola dispari: Prof. L. Bazzanella)
Prerequisiti:
Nessuno.
Conoscenze e abilità da acquisire:
Il corso di Sistemi di Elaborazione I ha come obiettivo quello di fornire allo studente del primo
anno gli strumenti metodologici di base per la risoluzione dei problemi e la conoscenza dei principi
costruttivi dei moderni sistemi di elaborazione in rete. Lo studente dovrà essere in grado di
146
progettare algoritmi che utilizzano strutture dati elementari e realizzarli in forma modulare
utilizzando diverse piattaforme.
Il corso prevede delle esercitazioni di programmazione che hanno lo scopo di permettere allo
studente di verificare la sua capacità operativa nel risolvere esercizi e problemi direttamente legati
agli argomenti proposti a lezione.
Modalità di esame:
Una prova scritta, una prova al calcolatore ed una eventuale prova orale.
Criteri di valutazione:
Competenza acquisita, correttezza dell'elaborato, valutazione da 0 a 30.
Contenuti:
Rappresentazione dei dati in un sistema di elaborazione. Algebra di Boole e operatori logici per la
sintesi di reti combinatorie e sequenziali.
Organizzazione di massima della CPU, Bus, Memoria Primaria e Secondaria, I/O.
Il sistema operativo. Principi di funzionamento di un sistema multitasking. Il File System.
Il concetto di problema, di algoritmo e di macchina di calcolo. Il progetto di algoritmi.
Strutture dati elementari. Algoritmi numerici di interesse per la statistica. Algoritmi di ricerca e di
ordinamento.
Il linguaggio C. Realizzazione di funzioni in C. Compilazione ed esecuzione di programmi.
Linguaggi per il Web. Progetto e realizzazione di pagine Web dinamiche.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali ed esercitazione al calcolatore.
Testi di riferimento:
- J. G. Brookshear, S.G. Kochan, Fondamenti di Informatica e Programmazione in C Pearson 2014
- D. Mandrioli, L. Sbattella, P. Cremonesi e G. Cugola, Informatica: arte e mestiere 4. McGraw-Hill, 2014, - (per consultazione)
SISTEMI DI ELABORAZIONE 2
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Prof. F. Aiolli)
Prerequisiti:
Conoscenze informatiche di base acquisite nel corso di Introduzione alla Programmazione.
Conoscenze matematiche di base del livello acquisito alle scuole superiori.
Conoscenze e abilità da acquisire:
Il corso introduce i fondamentali metodologici degli algoritmi e della programmazione, con un
enfasi particolare alla programmazione scientifica. Al termine del corso lo studente dovrebbe aver
acquisito le competenze di base e le capacità operative necessarie al fine di progettare, organizzare e
formalizzare programmi di piccole dimensioni, sviluppati secondo i paradigmi funzionale e
orientato agli oggetti del linguaggio Python. Dovrebbe inoltre essere in grado di analizzare la
147
struttura logica di un programma al fine di verificarne la correttezza in relazione alle specifiche
date.
Modalità di esame:
Esame: Scritto, Orale (opzionale). Il compito da svolgere prevede due parti. La prima parte
riguardante la sintassi del linguaggio Python, la teoria della programmazione, e
l'analisi/implementazione di semplici programmi; la seconda parte riguarda l'analisi e
l'implementazione di algoritmi più complessi.
Criteri di valutazione:
Lo studente viene valutato sulla capacita' acquisita di analisi di un problema di natura scientifica da
risolvere, progettazione di algoritmi adeguati e la loro soluzione con un programma in Python.
Contenuti:
Il corso ha i seguenti capitoli:
1) Concetti fondamentali. Nozione di algoritmo, computabilita' e complessita, programma.
2) Introduzione al linguaggio Python. Programmazione funzionale ed orientata agli oggetti.
3) Strutture dati e algoritmi. Strutture dati piu' complesse di quelle offerte dal linguaggio Python.
Alberi e Grafi, Code, Pile.
4) Applicazioni scientifiche e giochi.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso ha una durata di 64 ore totali.
32 ore in Aula con l'ausilio di PC (lucidi ed esempi di programmazione) e lavagna .
32 ore in Laboratorio. Ogni studente ha a disposizione un PC. La lezione consiste in una serie di
esercitazioni proposte agli studenti che verranno seguiti da 2 o piu' docenti o personale di supporto.
Eventuali indicazioni sui materiali di studio:
Il materiale di studio consiste in: programmi svolti a lezione e lucidi presentati a lezione e in
laboratorio.
Testi di riferimento:
- Downey, J. Elkner, C. Meyers, Pensare da Informatico, Imparare con Python. --: --, --.
scaricabile liberamente da http://www.python.it/doc/Howtothink/HowToThink_ITA.pdf
- Fabio Aiolli, Appunti di programmazione (scientifica) in Python. --: Esculapio, 2013.
SISTEMI INFORMATIVI
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. M. Agosti)
L’insegnamento è mutuato da REPERIMENTO DELL’INFORMAZIONE, Corso di Laurea
Magistrale in Ingegneria Informatica.
Conoscenze e abilità da acquisire:
Competenze critiche e avanzate di ideazione, progettazione, realizzazione e valutazione di sistemi
di reperimento dell'informazione (Information Retrieval: IR) e motori di ricerca (search engines).
Modalità di esame:
1. Progetto su un argomento scelto in accordo con il docente e con presentazione seminariale.
2. Esame scritto con domande sui contenuti del corso.
148
3. Eventuale integrazione orale.
Criteri di valutazione:
La prova finale serve a verificare l'acquisizione di competenze relative alla capacità di valutare,
ideare, progettare, ristrutturare, realizzare e gestire sistemi di reperimento dell'informazione e
motori di ricerca. Il progetto serve a verificare in modo sperimentale la capacità di applicare le
competenze acquisite.
Contenuti:
I sistemi e i servizi di reperimento dell'informazione sono sistemi pervasivi che vengono utilizzati
ogni giorno in attività di acquisizione di informazioni, di gestione amministrativa, di acquisizione di
competenze, di intrattenimento e comunicazione da parte di milioni utenti esperti e finali. I motori
di ricerca e i sistemi di reperimento dell'informazione gestiscono grandi quantità di informazioni,
documenti e risorse digitali (big data).
I motori di ricerca (search engines) sono fra gli strumenti di reperimento dell'informazione più
conosciuti e utilizzati per acquisire informazioni su persone, eventi e risultati scientifici per
prendere decisioni e per svolgere attività di lavoro e personali da pagine Web e da vari altri tipi di
documenti disponibili in formato digitale (ad esempio: quotidiani, notizie, riviste scientifiche,
documenti d'archivio e di biblioteche generali e specialistiche).
Sono strumenti di reperimento dell'informazione anche quelli incorporati nei diversi media sociali
(social media) che vengono utilizzati ogni giorno per scopi professionali e personali da utenti di
tutto il mondo e tutti quei sistemi che permettono di recuperare informazioni dai messaggi di posta
elettronica, dai documenti e dagli archivi presenti sui dispositivi di memorizzazione permanente
utilizzati nei diversi strumenti di elaborazione delle informazioni che le persone oggi hanno in uso
personale.
I contenuti del corso permettono di acquisire competenze per la ideazione, progettazione,
realizzazione e valutazione di sistemi di reperimento dell'informazione e motori di ricerca:
- Elementi introduttivi (quadro d'insieme) per la rappresentazione, gestione e reperimento
automatico dell'informazione in formato digitale
- Indicizzazione: strutture dati idonee al reperimento dell'informazione
- Modelli e sistemi per il reperimento dell'informazione
- Valutazione: collezioni sperimentali, misure di efficacia e di efficienza
- Web search: la struttura del Web, la stima della dimensione del Web, interrogazioni e utenti,
agenti Web (Web Crawlers, Crawler), Search Engine Optimization (SEO).
Attività di apprendimento previste e metodologie di insegnamento:
L'insegnamento si basa su lezioni frontali e attività sperimentali.
La frequenza alle lezioni è fortemente consigliata, perché il corso è progettato per studenti che
frequentano con costanza le lezioni, seguono le attività sperimentali del corso e realizzano il
progetto.
Informazioni relative al diario delle lezioni, al materiale didattico, alle scadenze e modalità d'esame
sono rese disponibili dal docente agli studenti su Web.
Eventuali indicazioni sui materiali di studio:
Indicazioni utili verranno date agli studenti all'inizio delle lezioni. Il docente fornisce materiali di
studio accessibili via Web.
149
Testi di riferimento:
Croft, W. Bruce; Metzler, Donald; Strohman, Trevor, Search engines: information retrieval in
practice. Boston: Pearson, 2010.
STATISTICA 1
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. A. Dalla Valle, Matricola dispari: Prof. M. Chiogna)
Prerequisiti:
Conoscenze di base di matematica.
Conoscenze e abilità da acquisire:
L'insegnamento mira a fornire le idee chiave della disciplina e gli strumenti tecnici di base utili per
lo studio di uno o più fenomeni reali in un'ottica cognitiva e predittiva.
Attraverso l'analisi di dati reali, anche raccolti durante lo svolgimento del corso, lo studente
acquisirà le tecniche elementari dell'analisi empirica volte alla descrizione, sintesi e
rappresentazione grafica dei dati.
L'approccio si fonda sulle metodologie moderne della statistica descrittiva.
Modalità di esame:
Prova scritta. Il docente potrà eventualmente richiedere un'integrazione orale.
Criteri di valutazione:
Gli esercizi che costituiscono la prova scritta hanno lo scopo principale di verificare l'acquisizione
dei contenuti del corso, la comprensione delle nozioni di base e la capacità di usarle in applicazioni
concrete.
Contenuti:
- Popolazione; unità statistiche; caratteri e variabili; modalità.
- Tabelle semplici; frequenze assolute, relative e cumulate.
- Istogrammi e rappresentazioni grafiche.
- Misure di posizione: le medie; quartili e quantili. Diagrammi a scatola con baffi.
- Funzione di ripartizione empirica.
- Misure di variabilità e mutabilità.
- Cenni sulla asimmetria e curtosi.
- Media e varianza di una trasformazione lineare dei dati. Standardizzazione dei dati.
- Scomposizione della media aritmetica e della varianza per sottopopolazioni.
- Tabelle a doppia entrata; distribuzioni marginali e condizionate; frequenze assolute e relative.
- Relazioni bivariate (variabili qualitative/numeriche): associazione, covariazione, concordanza,
correlazione.
- Dipendenza in distribuzione. Dipendenza in media. Dipendenza lineare: regressione e
correlazione.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali ed esercitazioni guidate.
Testi di riferimento:
- Cicchitelli, Giuseppe, Statisticaprincipi e metodiGiuseppe Cicchitelli. Milano: Pearson,
2012.
150
-
Pace, L., Salvan, A., Introduzione alla Statistica: Statistica Descrittiva.. Padova: Cedam,
1996.
STATISTICA 2
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari. Prof. G. Menardi, Matricola dispari: Prof. G. Adimari)
Prerequisiti:
Istituzioni di Analisi Matematica; Algebra Lineare; Istituzioni di Probabilità; Statistica 1.
Conoscenze e abilità da acquisire:
Il corso mira a far acquisire abilità autonome nell'analisi inferenziale dei dati. Si studiano i modelli
statistici e i principali metodi di inferenza. Si acquisiscono le basi dell'inferenza basata sulla
verosimiglianza, come strumento generale per l'analisi dei dati.
Modalità di esame:
Prova scritta (con eventuale integrazione orale) o prova scritta e orale.
Criteri di valutazione:
Lo studente dovrà dimostrare di aver compreso gli argomenti svolti, acquisito i concetti e le
metodologie presentate, ed essere in grado di applicare le tecniche inferenziali correttamente.
Contenuti:
- Inferenza statistica: idee e problemi di base.
- Popolazione, campione, dati campionari e inferenza. Modelli statistici e loro specificazione.
Controllo empirico del modello statistico. Funzioni di ripartizione empirica e quantile.
- Principali modelli statistici parametrici.
- Modelli statistici discreti: binomiale, binomiale negativa, Poisson, multinomiale.
- Modelli statistici continui: esponenziale, gamma, normale, normale multivariata.
- Distribuzioni campionarie collegate, esatte e approssimate: chi-quadrato, t, F, Wishart e
approssimazioni basate su teorema del limite centrale.
- Le procedure dell'inferenza statistica
- Stima puntuale. Parametro, stima, stimatore, errore di stima. Stima secondo il metodo dei dei
momenti e dei minimi quadrati. Criteri di valutazione degli stimatori: distorsione, errore quadratico
medio, consistenza.
- Intervalli e regioni di confidenza. Quantità pivotali. Intervalli e regioni di confidenza esatti e
approssimati.
- Verifica delle ipotesi. Test statistico, livello di significatività, livello di significatività osservato,
funzione di potenza. Test esatti e approssimati. Relazione tra test e intervalli di confidenza.
- Inferenza basata sulla verosimiglianza.
- La funzione di verosimiglianza. Rapporto di verosimiglianza. Verosimiglianze equivalenti e
statistiche sufficienti. Riparametrizzazioni.
- Stima di massima verosimiglianza. Aspetti computazionali. Informazione osservata e attesa.
Proprietà degli stimatori di massima verosimiglianza e loro distribuzione approssimata.
- Test e regioni di confidenza basati sulla verosimiglianza. Test e regioni di Wald, score e basati sul
rapporto di verosimiglianza: casi monoparametrico, multiparametrico e di interesse parziale.
Versioni unilaterali.
- Esemplificazioni notevoli
151
- Problemi sulle proporzioni: inferenza sulla singola proporzione; confronto tra due proporzioni.
Problemi sulle medie e su funzioni di medie: inferenza sulla singola media; confronto tra due
medie; dati appaiati. Problemi sulle varianze: inferenza sulla varianza nel modello normale.
Inferenza sulla multinomiale. Test di indipendenza in tabelle di contingenza. Test di bontà di
adattamento.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali e esercitazioni a gruppi.
Testi di riferimento:
- Pace, Luigi; Salvan, Alessandra, Introduzione alla statisticaLuigi Pace, Alessandra Salvan.
Padova: --, --.
- Azzalini, Adelchi, Inferenza statisticauna presentazione basata sul concetto di
verosimiglianzaA. Azzalini. Milano: Springer, --.
- Cicchitelli, Giuseppe, Statisticaprincipi e metodiGiuseppe Cicchitelli. Milano: Pearson,
2012.
- Piccolo, Domenico, Statistica. Bologna: Il mulino, 2010.
STATISTICA COMPUTAZIONALE
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. M. Grigoletto)
Prerequisiti:
Statistica 1 e 2, modelli statistici 1.
Conoscenze e abilità da acquisire:
Comprensione dell'utilità, specialmente con obiettivi inferenziali, di strumenti computazionali
``intensivi'' dal punto di vista del calcolo. Capacità di applicare i metodi studiati usando funzioni
disponibili in R, e capacità di programmazione tali da permettere di sviluppare nuove funzioni.
Modalità di esame:
Prova pratica in laboratorio informatico.
Criteri di valutazione:
La valutazione si baserà sul livello di comprensione di strumenti teorici e pratici forniti e sulla
capacità di creare un legame tra le applicazioni ed i modelli necessari a metterle in atto.
Contenuti:
Tecniche di simulazione e applicazioni in statistica. Introduzione alla simulazione: cenno alla
generazione di variabili casuali uniformi, algoritmo di inversione, algoritmo accetto-rifiuto,
campionamento per importanza, Rao-Blackwell, l'idea delle variabili antitetiche. Applicazioni:
calcolo di integrali multidimensionali, valutazione dell'efficienza e robustezza di un metodo
statistico, calcolo dei valori critici di una statistica test in situazioni "complicate".
Inferenza via bootstrap. L'idea del bootstrap, bootstrap parametrico e non parametrico, esempi di
applicazioni (quantili, modello lineare).
Stima non parametrica. Funzione di densità: il metodo del nucleo, l'importanza della scelta del
grado di lisciamento, criteri automatici (validazione incrociata, Sheather-Jones). Funzione di
152
regressione: regressione polinomiale locale, splines, idea dei gradi di libertà equivalenti, scelta degli
stessi usando AICc e GCV, valutazione della precisione via bootstrap. Applicazioni a dati reali.
Esplorazione numerica della funzione di verosimiglianza. Introduzione agli algoritmi di
ottimizzazione e differenziazione numerica in R, loro uso per calcolare le stime di massima
verosimiglianza, costruzione di intervalli o regioni di confidenza basati sulla verosimiglianza
profilo o su una valutazione numerica della matrice di informazione osservata.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni di teoria e lezioni in laboratorio informatico.
Eventuali indicazioni sui materiali di studio:
Le dispense del corso, rese disponibili in rete, costituiscono il materiale di riferimento.
STATISTICA COMPUTAZIONALE PROGREDITO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. N. Sartori)
Prerequisiti:
Calcolo delle Probabilità e Statistica (progredito).
Utile, anche se non prerequisito, Statistica Computazionale.
Conoscenze e abilità da acquisire:
- Lo sviluppo di nuove tecniche computazionali per l'inferenza in modelli statistici.
- Utilizzo di R per l'implementazione di tali tecniche.
Modalità di esame:
L'esame consiste in una prova pratica in aula ASID. La prova comprende sia parti teoriche che
analisi empiriche.
Criteri di valutazione:
La valutazione si basa sulla prova scritta e su una eventuale discussione del relativo elaborato (solo
per i voti superiori al 27 nella prova scritta).
Contenuti:
- Simulazione: algoritmi di accettazione e rifiuto; integrazione Monte Carlo; importance sampling e
altri metodi di riduzione della varianza.
- Metodi numerici e grafici per l'analisi di verosimiglianza.
- Metodi di ricampionamento: bootstrap e jacknife.
- Catene di Markov e algoritmi Markov Chain Monte Carlo (MCMC): la teoria delle catene
Markoviane; algoritmi MCMC; applicazioni all'inferenza Bayesiana.
Attività di apprendimento previste e metodologie di insegnamento:
Lezioni frontali e laboratori informatici.
Eventuali indicazioni sui materiali di studio:
Materiale didattico disponibile sulla pagina web del corso.
153
Testi di riferimento:
- Robert, Christian P.; Casella, George, Introducing Monte Carlo methods with R. New York:
Springer, 2010.
- Davison, Anthony Christopher; Hinkley, David V., Bootstrap methods and their application.
Cambridge [etc.]: Cambridge university press, 1997.
- Albert, Jim, Bayesian computation with R. Dordrecht: Springer Verlag, 2009.
- Gelman, Andrew; Meng, Xiao-Li; Brooks, Steve; Jones, Galin L., Handbook of Markov
Chain Monte Carlo. Boca Raton: CRC Press (Taylor & Francis Group), 2011.
STATISTICA ITERAZIONE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Docente da definire)
Prerequisiti:
Vincolanti: Calcolo delle probabilità; Statistica progredito.
Sostanziali (oltre ai vincolanti):
Modelli statistici per dati sociali
Analisi dei dati (Data mining).
Conoscenze e abilità da acquisire:
Il corso si prefigge di offrire agli studenti l’opportunità di sviluppare capacità operative nell’analisi
statistica di dati.
Modalità di esame:
Data la particolare natura dell'insegnamento, la valutazione non può svolgersi nelle forme
tradizionali.
L'accertamento consisterà quindi in
- valutazione della partecipazione all'attività in aula (sia quantitativa che qualitativa)
- valutazione della capacità di analizzare un insieme di dati complesso, con presentazione di un
rapporto finale
- valutazione della capacità di analizzare un insieme di dati in breve tempo.
Criteri di valutazione:
Valutazione della partecipazione all'attività in aula (sia quantitativa che qualitativa).
Valutazione della capacità di analizzare un insieme di dati complesso, con presentazione di un
rapporto finale.
Valutazione della capacità di analizzare un insieme di dati in breve tempo.
Contenuti:
Il corso si prefigge di offrire agli studenti l’opportunità di sviluppare capacità operative nell’analisi
statistica di dati.
A tale scopo alternerà momenti di presentazione e discussione critica dei problemi che si incontrano
nell’analisi di dati reali con momenti di lavoro autonomo e di gruppo da parte degli studenti.
L'attività prevista si basa sulla discussione e sul trattamento di problemi e dati reali, volti ad
illustrare i concetti e ad utilizzare le tecniche presentate nei corsi di statistica, al fine di sviluppare
una abilità operativa degli studenti in questo ambito. Per raggiungere questo obbiettivo nella prima
parte del corso sarà il docente che introdurrà alcuni problemi reali e suggerirà le tecniche più
appropriate per l'analisi. Nella seconda parte saranno gli studenti a dover affrontare autonomamente
154
alcuni problemi reali proposti dal docente e ad analizzare i dati con le tecniche che riterranno più
adeguate.
N.B Data la particolare natura dell’insegnamento, che richiede forte interazione tra studenti e
docenti, è necessario che gli studenti vi si preiscrivano (secondo modalità che verranno comunicate
nel mese di dicembre 2016), non potendosi escludere una limitazione negli accessi. In ogni caso
saranno ammessi a partecipare all’insegnamento solo studenti del secondo anno della Laurea
magistrale che abbiano superato entrambi gli esami di Calcolo delle probabilità (progredito) e di
Statistica progredito. Le eventuali limitazioni saranno basate su superamento e voto oltre che di
questi due esami anche di Modelli statistici per dati sociali e di Analisi dei dati (Data mining).
Attivita' di apprendimento previste e metodologie di insegnamento:
Presentazione e discussione critica dei problemi che si incontrano nell’analisi di dati reali in aula
informatica.
Eventuali indicazioni sui materiali di studio:
Il materiale usato a lezione dai docenti sarà messo a disposizione degli studenti.
STATISTICA MEDICA
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Prof. L. Ventura)
Prerequisiti:
Statistica 1 e 2.
Modelli Statistici 1.
Conoscenze e abilità da acquisire:
Abilità da acquisire: analisi di dati in problemi di statistica medica.
Nel corso vengono introdotte le principali problematiche concernenti l'analisi dei dati in ambito
medico. Obiettivo del corso è, attraverso la discussione di casi di studio, accrescere la sensibilità e
la criticità gli studenti all'uso di metodi statistici con riguardo agli studi di tipo sperimentale
(tipicamente le prove cliniche).
Modalità di esame:
Esame scritto e/o orale.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti
svolti, sull'acquisizione dei concetti e delle metodologie proposte, e sulla capacità di applicarli.
Contenuti:
- Studi clinici randomizzati (clinical trials)
- Tipi di disegno di studio: studi fra pazienti (disegno a gruppi paralleli, disegno fattoriale), studi
entro pazienti (disegno cross-over, disegno a quadrati latini)
- Studi di potenza (determinazione della numerosità campionaria)
- Analisi esplorative e test di adattamento.
- Confronti tra due o più gruppi: Metodi parametrici e non parametrici
- Metodi post-hoc per confronti multipli
- Anova per misure ripetute: metodi parametrici e non parametrici
155
- Indici di affidabilità di risposte cliniche: test diagnostici, curva Roc e modello P(X<Y), ripetibilità,
riproducibilità
- Curve dose-risposta: modelli non-lineari
- Discussione critica di casi di studio attraverso strumenti già acquisiti in corsi precedenti
(ANCOVA, dati di sopravvivenza, regressione logistica, regressione non normale, ....).
Attività di apprendimento previste e metodologie di insegnamento:
Il corso prevede delle lezioni frontali ed esercitazioni in aula informatica. Durante tali esercitazioni
si propone l'analisi di casi studio provenienti da diversi contesti applicativi utilizzando il software
R.
Eventuali indicazioni sui materiali di studio:
Materiale didattico disponibile in rete.
Testi di riferimento:
- Wayne, Biostatistica. Napoli: EdiSES, 2000.
- Signorelli, Elementi di metodologia epidemiologica. Roma: Soc. Edit. Universo, 2000.
- Armitage e Berry, Statistica medica: metodi statistici per la ricerca in medicina. Milano:
McGraw-Hill, 1996.
STATISTICA MEDICA ED EPIDEMIOLOGIA PROGREDITO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. G. Boccuzzo)
Prerequisiti:
Conoscenza di base di R e di SAS.
Conoscenze e abilità da acquisire:
Il corso fornisce metodi e strumenti avanzati per la ricerca clinica ed epidemiologica. In particolare,
al termine del corso lo studente avrà le competenze necessarie per coordinare gli aspetti statistici di
studi epidemiologici, dall'impostazione dello studio alla stesura del rapporto finale.
Modalità di esame:
Esame orale con discussione di un’esercitazione finale e prova pratica in aula informatica (R e
SAS). L’esercitazione finale, sviluppata singolarmente o a coppie, verte sullo studio di un problema
basato sull’analisi di dati reali. Il tema è concordato col docente.
Criteri di valutazione:
La valutazione si basa sulle conoscenze manifestate durante l'esame orale (2/5), sull’esercitazione
finale (2/5) e sulla prova pratica (1/5). Il giudizio finale è una media pesata del voto assegnato alle
tre prove.
Contenuti:
1. Richiami ai tipi di studio in epidemiologia e approfondimenti. Studi caso-controllo: selezione dei
casi e dei controlli, caso-coorte, caso-controllo cumulati, caso-controllo con casi prevalenti. Studi di
mortalità proporzionale.
2. Misure di occorrenza di malattia e mortalità: incidenza puntuale, cumulata, prevalenza. Relazione
fra incidenza e prevalenza. Analisi del rischio di malattia in funzione di un fattore di
esposizione:Rischio relativo, rischio attribuibile, odds-ratio. Relazione fra rischio relativo e odds
156
ratio. Inferenza su incidenza, prevalenza, rischio relativo e odds-ratio. Errore di primo e secondo
tipo, calcolo della numerosità campionaria.
3. Tabelle di contingenza e modelli log-lineari (richiami) e loro applicazioni in epidemiologia.
4. Applicazione della regressione logistica a studi caso-controllo: appaiamento 1:1, appaiamento
1:m. Propensity score matching.
5.La meta-analisi. Introduzione alla meta-analisi, come preparare una meta-analisi, il calcolo degli
effetti, combinare gli effetti, valutare l’eterogeneità e ricerca dei moderatori, gestire database
complessi, il publication bias, riportare i risultati della meta-analisi.
Come ultima parte del corso, sarà approfondito uno dei seguenti temi:
6.Epidemiologia genetica. L’interazione fra fattori ambientali e genetici all’origine della malattia.
Natura del coinvolgimento genetico nella malattia. Principali concetti di genetica e tipi di studio in
epidemiologia genetica. Approcci epidemiologici allo studio dell’aggregazione familiare, misure di
aggregazione familiare. Applicazione di modelli di regressione per dati familiari: equazioni di stima
generalizzate e modelli marginali. Approcci genetici allo studio dell’aggregazione familiare: analisi
dell’ereditarietà mediante i modelli a componenti della varianza e la path analysis.
7. Epidemiologia ambientale. Analisi descrittiva: analisi temporale e mappatura. Analisi dei tassi di
malattia mediante regressione di Poisson o binomiale, effetti di confondimento (tipicamente stato
socio-economico). Metodi di analisi dei cluster di malattia: conta nelle celle, adiacenza, metodo
delle distanze. Sistemi di sorveglianza delle malattie.
8. Epidemiologia delle malattie infettive: rapporti ospite-parassita, sorgenti e serbatoi d' infezione,
veicoli e vettori d'infezione, modalità di trasmissione. Sorveglianza sanitaria: notifica e sistema
informativo delle malattie infettive. Modelli matematici di diffusione delle epidemie.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso si avvale di lezioni frontali, esercitazioni e laboratori in aula informatica (SAS e R). Sono
inoltre previste delle conferenze didattiche tenute da esperti della materia.
Eventuali indicazioni sui materiali di studio:
Dispense fornite dal docente (che non sostituiscono i testi di riferimento).
Testi di riferimento:
- Vineis P., Duca P. e Pasquini P., Manuale di metodologia epidemiologica. --: --, 1987.
Numero speciale di Epidemiologia e prevenzione n.32-33 .
- Agresti A., Categorical Data Analysis. New Jersey: Wiley, 2002.
- K. J. Rothman, S. Greenland, T.L. Lash, Modern Epidemiology. Philadelphia: Lippincott
Williams & Wilki, 2012.
- D.W. Hosmer, S. Lemeshow, Applied Logistic Regression. New York: Wiley, 2000.
- M. Borenstein et al., Introduction to Meta-Analysis. Chichester, UK: Wiley, 2009.
STATISTICA PER LA TECNOLOGIA E L’INDUSTRIA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. G. Masarotto)
Prerequisiti:
Elementi di base del controllo statistico della qualità e di programmazione degli esperimenti.
Conoscenze e abilità da acquisire:
- Conoscere e utilizzare correttamente alcune tecniche avanzate del controllo statistico dei processi
produttivi e dei sistemi tecnologici.
157
- Conoscere e utilizzare correttamente alcune tecniche avanzate di programmazione degli
esperimenti per il miglioramento della performance dei processi.
- Conoscere ed utilizzare correttamente le conoscenze di base della teoria dell'affidabilità dei
sistemi.
Modalità di esame:
Orale.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti
svolti, sull'acquisizione dei concetti e delle metodologie proposte e sulla capacità di applicarli in
modo autonomo e consapevole.
Contenuti:
1. Il controllo statistico di processo
- Introduzione al controllo statistico della qualità: richiami dei concetti di base.
- Controllo statistico di processo "univariato": caso nonparametrico.
- Controllo statistico di processo "multivariato":
- Carte di controllo multivariate (T2 di Hotelling, MEWMA, MCUSUM).
- Tecniche di riduzione della dimensionalità:
- Metodo di Hawkins (regressione delle variabili), metodo basato sulla t di Doganaksay e Tucker.
- Metodo delle proiezioni (PCA, PLS , ecc.)
- Decomposizione MYT della carta di controllo di Hotelling.
- Fault diagnosis: metodo di calcolo del contributo delle variabili e metodi principali per
determinare le cause che generano un “fuori controllo” del processo.
- Sorveglianza dei profili.
2. Utilizzo di alcuni piani sperimentali per il controllo della qualità.
- Randomizzazione, modelli misti, dispositivi a blocchi. Piani fattoriali.
- Applicazioni in presenza di componenti di variazione gerarchica).
3. Affidabilità
- Concetti generali.
- Misure dell’affidabilità ed esempi di calcolo.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso prevede sia lezioni frontali che lezioni in laboratorio informatico. Una parte delle lezioni
frontali saranno dedicate all'illustrazione di alcuni articoli tratti dalla letteratura scientifica recente.
Eventuali indicazioni sui materiali di studio:
Il materiale usato a lezione dal docente sarà a disposizione nella pagina del corso nel Moodle del
Dipartimento di Scienze Statistiche.
I libri di testo saranno precisati all'inizio del corso, anche per tenere conto della preparazione
pregressa degli studenti.
STATISTICA PROGREDITO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. A. R. Brazzale)
Prerequisiti:
Calcolo delle Probabilità. Solide basi di Analisi matematica e Algebra lineare.
158
Conoscenze e abilità da acquisire:
Conoscenze: concetti e strumenti statistico-matematici essenziali per poter comprendere e affrontare
problemi di Statistica metodologica.
Abilità: capacità di riconoscere concetti e strumenti matematici utilizzati in altri contesti statistici;
capacità di risolvere semplici problemi di carattere metodologico nonché di comprendere o
formulare eventuali modelli atti a descriverli.
Modalità di esame:
Prova scritta a libro chiuso. Materiale ammesso: penna (blu/nero), calcolatrice, formulario
individuale (1 facciata A4).
Criteri di valutazione:
Testo d'esame costituito da 3 esercizi, suddivisi in 4-6 quesiti, con grado di difficoltà comparabile.
Contenuti:
- Richiami sugli elementi di base dell'inferenza statistica: problemi di stima puntuale, di stima
intervallare, di verifica d'ipotesi.
- La funzione di verosimiglianza e sue proprietà (invarianza, diseguaglianza di Wald). Quantità
collegate alla verosimiglianza (funzione di punteggio, informazione osservata e attesa) e loro
proprietà.
- Famiglie esponenziali.
- Statistiche sufficienti.
- Stimatori di massima verosimiglianza: definizione, esempi, proprietà (equivarianza, consistenza,
normalità asintotica).
- Diseguaglianza di Cramer-Rao. Stimatori ottimi tra i non distorti.
- Test del rapporto di verosimiglianza: definizione, esempi; distribuzione asintotica, forme
asintoticamente equivalenti; regioni di confidenza collegate.
- Verosimiglianza profilo.
- Lemma di Neyman-Pearson. Test uniformemente più potenti.
- Quantità pivotali e equazioni di stima.
- Effetti di errata specificazione del modello statistico e metodi robusti.
- Inferenza bayesiana parametrica: teorema di Bayes, famiglie coniugate; casi particolari (modello
normale-normale, beta-binomiale, pareto-uniforme); intervalli di credibilità e verifica d'ipotesi.
Attività di apprendimento previste e metodologie di insegnamento:
Didattica frontale: teoria (75%), esercitazioni (25%).
Supporto: Servizio tutorato.
Eventuali indicazioni sui materiali di studio:
Testi di consultazione:
(in italiano)
- Cifarelli, D.M. e Muliere, P. (1989). Statistica bayesiana. Appunti ad uso degli studenti. Gianni
Iuculano Editore, Pavia.
(in inglese)
- Beaumont, G.P. (1980). Intermediate Mathematical Statistics. Chapman & Hall, London.
- Welsh, A.H. (1996). Aspects of Statistical Inference. Wiley, New York.
Eserciziari (in italiano):
- Andreatta, G. e Runggaldier, W.J. (1983). Statistica matematica: problemi ed esercizi risolti.
Liguori Editore, Napoli.
159
Testi di riferimento:
- Luigi Pace & Alessandra Salvan, Introduzione alla statistica - II - Inferenza,
verosimiglianza, modelli. Padova: Cedam, 2001.
- Adelchi Azzalini, Inferenza statistica: una presentazione basata sul concetto di
verosimiglianza (2a ed.). MIlano: Springer-Verlag Italia, 2001.
STATISTICA SOCIALE
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Prof. L. Fabbris)
Prerequisiti:
Conoscenze basilari del software SAS.
Conoscenze e abilità da acquisire:
L'insegnamento mira all'ottenimento dei due macro-obiettivi nel seguito descritti.
1. Macro-obiettivo “ANALISI”:
- Saper scegliere, in funzione delle ipotesi di ricerca e della natura dei dati, i metodi di analisi
statistica delle relazioni bivariate tra fenomeni sociali ed economici.
- Saper utilizzare con correttezza le tecniche di analisi statistica utilizzando programmi informatici
di carattere generale (SAS).
- Saper presentare e interpretare tabelle e grafici che riproducono i risultati di analisi statistiche di
relazione.
- Saper descrivere in modo essenziale e preciso i risultati delle elaborazioni statistiche e le
interpretazioni delle analisi svolte.
2. Macro-obiettivo “VALUTAZIONE”:
- Saper impostare un progetto di valutazione di un processo o di un servizio
- Saper costruire un sistema di indicatori funzionali alla progettazione e valutazione di un processo
o servizio
- Saper presentare in modo essenziale e preciso un sistema di valutazione.
Modalità di esame:
L’esame è orale e pratico.
Per la parte pratica, gli studenti dovranno presentare un breve rapporto concernente l'analisi con i
metodi presentati nel corso su un tema scelto dallo stesso studente, in accordo con il docente.
Il testo scritto può essere consegnato anche dopo l’esame orale.
La valutazione del rapporto fa parte integrante del voto d'esame.
Criteri di valutazione:
Il voto finale è dato dalla somma del voto ottenuto all’esame (max: 28/30) e quello ottenuto sul
rapporto scritto (max: 4/30). L'ottenimento della massima valutazione nelle due prove dà diritto alla
lode.
Contenuti:
Il corso può essere ripartito in tre moduli:
- un modulo comprendente le lezioni frontali sulla scelta del metodo statistico di analisi dei dati,
- un secondo modulo di lezioni frontali sulla definizione e costruzione di indicatori sociali a fini di
valutazione di servizi,
160
- un altro modulo svolto in aula informatica per svolgere esercitazioni utilizzando il SAS per
l’analisi di dati.
Contenuti nel dettaglio:
Analisi della dipendenza
- Dipendenza simmetrica e asimmetrica tra fenomeni sociali.
- Criteri di scelta dei metodi di analisi statistica bivariata delle relazioni tra variabili.
- Misura della dipendenza tra variabili misurate su ogni tipo di scala.
- Analisi della concordanza tra osservatori indipendenti dello stesso fenomeno.
- Analisi del rischio di fenomeni sociali e sanitari.
- Valutazione.
- Concetti e fasi della valutazione: dalla definizione delle risorse fino a quella del prodotto
- Criteri della valutazione: efficacia, efficienza, equità, appropriatezza, accessibilità.
- Customer satisfaction.L’indicatore statistico come strumento di valutazione: tipologie di indicatori
appropriati per ognuno dei criteri di valutazione.
- Costruzione di sistemi di indicatori.
- La misurazione di concetti complessi: criteri e metodi per la costruzione di indicatori compositi.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso sarà condotto sia tramite lezioni frontali, sia tramite l’applicazione in aula informatica del
software SAS per l’analisi di dati con metodo statistico.
L’esame si compone di una parte orale, per quanto riguarda il syllabus, e di rapporto scritto, da
sviluppare anche in coppia con un altro studente, concernente l’analisi statistica di un insieme di
dati. Il tema della parte pratica va concordato con il docente.
Eventuali indicazioni sui materiali di studio:
Dispense didattiche scaricabili dal sito (Moodle) del Dipartimento.
Testi di riferimento:
- Agresti, Alan; Finlay, Barbara; Porcu, Mariano, Metodi statistici di base e avanzati per le
scienze sociali (edizione italiana a cura di Mariano Porcu). Milano: Torino, Pearson Italia,
2012.
- Delvecchio, Francesco, Statistica per la ricerca sociale. Bari: Cacucci, 2002.
- OECD - Organisation for Economic Co-operation and Development, Handbook on
constructing composite indicatorsmethodology and user guide. Paris: OECD, 2008.
- ezzi, Domenica Fioredistella, Statistica per le scienze sociali dalla progettazione
dell'indagine all'analisi dei dati. Roma: Carocci, 2009.
STATISTICAL MODELS
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Docente da definire)
Prerequisiti:
Calcolo delle probabilità, Statistica progredito.
Conoscenze e abilità da acquisire:
The objective of the whole course is to get students acquainted with the fundamentals, basic
properties and use of the most important recent modeling techniques, to gain experience in model
building and to get some hands-on experience by analysing some real data by using R, Bugs and
other up-to-date Statistical software.
161
Modalità di esame:
A written exam for each parts of the course.
Each exam will be marked independently by the corresponding instructor.
At the end of the course, students will receive a final mark based on all 3 exams results.
Criteri di valutazione:
At the end of the course, students will receive only a final mark based on all 3 exams results.
Contenuti:
Generalized linear mixed models.
Introduction to the course: basic ideas.
Generalized linear models: structure and inference.
Extending GLMs: First instances of models for hierarchical data.
Generalized linear mixed models.
Introduction to hierarchical models and to GLMMs.
Likelihood inference in GLMMs.
Bayesian Hierarchical Models .
Practical sessions with R and R-Bugs.
Time series analysis
Introduction. Linear time series models.
Linear time series models: model specification.
Linear time series models: parameter estimation and forecasting.
Introduction to spectral analysis.
Nonlinear models: an introduction.
Nonlinear models: Markov-Switching Models and Threshold Autoregression Models.
Long-memory models. Integer AutoRegressive models.
Spatial statistics
1. Introduction to spatial statistics:
2. Estimation and modeling of spatial correlations:
3. Prediction and Interpolation (kriging).
4. Spatio-temporal modeling:
5. Second order spatial models for network data:
6. Gibbs-Markov random fields on networks:
7. Simulation and estimation of a Markov random field on a network:
8. Hierarchical spatial models and Bayesian statistics.
Attività di apprendimento previste e metodologie di insegnamento:
Lectures and Laboratories.
Eventuali indicazioni sui materiali di studio:
Mc Cullagh, P & Nelder J.A., Generalized Linear Models. New York: Chapman & Hall, 1989.
Gelman, A. & Hill J., Data Analysis Using Regression and Multilevel/Hierarchical Models. --:
Cambridge University Press, 2007.
Fahrmeir L., Tutz, G., Multivariate Statistical Modelling Based on Generalized Linear Models. --:
Springe, 2001. chapter 6
McCulloch, C.E., Searle, S.R., Generalized, Linear and Mixed Models. --: Wiley, 2001.
Brockwell P.J., Davis R.A., Introduction to Time Series and Forecasting. --: Springer, 1996.
Fan J., Yao Q., Nonlinear time series. --: Springer-Verlag, 2003.
Tsay R.S., Analysis of Financial Time Series. - -: Wiley-Interscience, 2005.
Wei W., Time Series
162
Banerjee, S. ,Carlin, B.P. and Gelfand. A.E (2014) Hierarchical Modeling and Analysis for Spatial
Data, CRC Press, New York (second edition)
Gaetan, C. and Guyon, X. (2010) Spatial Statistics and Modeling, Springer, New York.
STORIA ECONOMICA
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. E. Novello)
Si veda il corso di STORIA ECONOMICA INTEGRATO.
STORIA ECONOMICA INTEGRATO
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. E. Novello)
L’insegnamento è mutuato da STORIA ECONOMICA, Corso di Laurea in Storia.
Prerequisiti:
Nessuno.
Conoscenze e abilità da acquisire:
Conoscenza in termini generali delle trasformazioni economiche avvenute tra tardo medioevo ed età
contemporanea e delle principali interpretazioni e dibattiti relativi allo sviluppo economico nel
lungo periodo.
Modalità di esame:
Esame scritto della durata di due ore, articolato in tre domande sia per gli esami da 9CFU che per
quelli da 6CFU.
Per i NON frequentanti sono previste domande diverse relative anche ai testi a loro riservati.
Criteri di valutazione:
La prova di esame sara' valutata in base alla pertinenza e completezza delle risposte e alla capacità
di individuare gli aspetti piu' rilevanti delle tematiche proposte.
Contenuti:
Il corso prenderà in esame le trasformazioni dell'economia mondiale ed europea dal basso medioevo
ai giorni nostri e si articolerà in tre parti.
La prima parte sarà dedicata all'economia preindustriale, e prenderà in considerazione gli aspetti
relativi alle strutture e dinamiche demografiche, alle condizioni dell'agricoltura, delle manifatture,
del commercio e della finanza.
Si passerà quindi a trattare della rivoluzione industriale, a partire dalle sue precondizioni ed origini
per analizzare le modalita' della sua affermazione in Inghilterra e della sua diffusione nei diversi
paesi del continente europeo attraverso il processo di industrializzazione.
L'ultima parte del corso affronterà temi della storia economica del tardo Ottocento e del Novecento,
dalla nascita della grande industria in Europa e negli USA, ai caratteri dell'economia di guerra e alla
cesura costituita dalla grande crisi, per poi affrontare la ricostruzione postbellica, il Miracolo
economico e e gli effetti economici del progresso di integrazione europea.
163
Attività di apprendimento previste e metodologie di insegnamento:
La modalita' di apprendimento prevalente del corso sara' costituita da lezioni frontali, con il
possibile inserimento di conferenze o seminari.
Eventuali indicazioni sui materiali di studio:
I materiali utilizzati durante le lezioni del corso saranno messi a disposizione dei frequentanti sulla
piattaforma moodle della scuola di scienze umane, sociali e del patrimonio culturale.
Testi di riferimento:
- Antonio Di Vittorio (a cura di), Dall'espansione allo sviluppo. Una storia economica
dell'Europa.. Torino: Giappichelli, 2011. Esami da 9CFU: tutto il volume. Esami da 6CFU a
scelta parti 1-2-3-4-5 OPPURE parti 4-5-6
- Carlo Cipolla, La storia economica. Bologna: Il Mulino, --. Testo SOLO per non
frequentanti.
STRUMENTI STATISTICI PER L’ANALISI DI DATI AZIENDALI
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. O. Paccagnella)
Prerequisiti:
Calcolo delle Probabilità e Statistica Progredito.
Conoscenze e abilità da acquisire:
Il corso si propone di fornire strumenti statistici avanzati di supporto al processo di decisione
aziendale, applicandoli in una maniera efficiente e ragionata. Lo scopo del corso è quindi di
raccogliere, sintetizzare e generalizzare il bagaglio di conoscenze acquisite fin qui dallo studente
per avere una visione globale degli strumenti utilizzabili nelle diverse fasi del processo decisionale
all’interno di un’azienda. Il corso ha una forte connotazione applicativa, con una partecipazione
attiva dello studente durante le settimane di lezione, attraverso un lavoro personale in autonomia e
discussioni di gruppo. E’ prevista una attività in aula computer, con l’analisi ed il commento di
diversi studi di casi.
Modalità di esame:
Homework ed esame orale finale.
Criteri di valutazione:
La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti svolti
e sulla capacità di adottare le soluzioni statistiche più opportune per il raggiungimento degli
obiettivi preposti durante l’analisi di dati reali. Autonomia e spirito critico nell’applicazione delle
soluzioni più adatte sono aspetti fondamentali nel processo di valutazione.
Contenuti:
1) Il Customer Relationship Management (CRM)
- I clienti ed il loro ciclo di vita.
- Caratteristiche del CRM.
- Sistemi di supporto alle decisioni (Data warehousing, Business Intelligence).
2) Modelli matematici per le decisioni
- Preparazione e validazione dei dati.
- Rassegna ed applicazione di alcune tecniche ed algoritmi di Data Mining.
3) Strumenti statistici avanzati per l’analisi della clientela
164
- Modelli per variabili ordinali e loro estensioni.
- Modelli per variabili categoriali.
- Modelli per dati gerarchici (approfondimenti).
4) Misure di efficienza a livello aziendale: la Data Envelopment Analysis.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso verrà erogato per mezzo di lezioni frontali teoriche e di esercitazioni e studi di caso in aula
computer. Considerato il taglio fortemente applicativo del corso, la frequenza alle lezioni ed alle
esercitazioni, seppure non obbligatoria, è vivamente consigliata.
Eventuali indicazioni sui materiali di studio:
Materiale didattico predisposto dal docente.
• Buttle F. – edizione italiana a cura di M. Ornati (2012). Customer Relationship Management.
Teorie e tecnologie. Milano: Franco Angeli.
• Farinet A. e E. Ploncher (2002). Customer Relationship Management. Approcci e metodologie.
Milano: Etas.
• Giudici P. (2005). Data mining. Metodi statistici per le applicazioni aziendali (seconda edizione).
Milano: McGraw-Hill.
• Snijders T. e R. Bosker (2011). Multilevel analysis. An introduction to basic and advanced
multilevel modelling. London: Sage Publications.
Testi di riferimento:
Vercellis Carlo, Business intelligence. Modelli matematici e sistemi per le decisioni. Milano:
McGraw-Hill, 2006.
TEMI E METODI DI POPOLAZIONE E SOCIETA’
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. S. Mazzuco)
Prerequisiti:
Statistica progredito.
Calcolo delle probabilità.
Modelli statistici per dati sociali.
Conoscenze e abilità da acquisire:
Gli studenti dovranno acquisire da una parte alcuni aspetti dell'analisi demografica e sociale non
trattati altrove (analisi delle sequenze, agent-based models, costruzione di indicatori complessi)
dall'altra una mentalità che permetta loro di collegare aspetti sostantivi e metodologici.
Modalità di esame:
L'esame finale è orale. Durante le lezioni gli studenti saranno assegnati a lavori individuali e/o di
gruppo la cui valutazione inciderà sul voto finale.
Contenuti:
Tema 1: La seconda transizione demografica e la de standardizzazione del corso di vita .
Metodo: Analisi delle sequenze.
Tema 2: La misura di concetti complessi.
Metodo: Indicatori sintetici e analisi multicriterio.
165
Tema 3: Interazione Sociale e fecondità.
Metodo: Agent-Based Computational Demography.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso si compone di moduli tematici, in cui vengono esposte (scegliendo tra i temi e i metodi
affrontati negli studi più recenti) problematiche rilevanti nello studio dei fenomeni demografici e
sociali e alcuni metodi per affrontarne l'analisi empirica. Si tratta di temi e metodi non trattati in
insegnamenti precedenti. Per ogni modulo è prevista un'esercitazione (individuale o a gruppi) con
assegnazione di problemi concreti che verranno trattati ed esposti dagli studenti.
Eventuali indicazioni sui materiali di studio:
Il materiale di studio è principalmente da articoli (verranno forniti dal docente in aula) relativi al
tema e al metodo trattati.
TEORIE E MODELLI DEMOGRAFICI
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. R. Impicciatore)
Prerequisiti:
Per seguire il corso con profitto è necessaria una conoscenza di base della demografia.
Gli studenti che non hanno mai seguito un corso di demografia, dovranno studiare i concetti e le
misure demografiche fondamentali sul volume di:
- Rowland D. T. (2003), Demographic methods and concepts, Oxford University Press (ch. 1,
2,3,4,6,7)
O alternativamente:
- Livi Bacci M. (ultima edizione) , "Introduzione alla demografia", Loescher Editore.
Conoscenze e abilità da acquisire:
Il corso ha un duplice scopo. In primo luogo si propone di far acquisire agli studenti una conoscenza
approfondita e rigorosa dei metodi dell’analisi demografica e dei modelli di popolazione. In
particolare si dà ampio spazio a) ai modelli che enfatizzano come la popolazione cambi in funzione
dell’interazione di più processi demografici; b) a come i fenomeni demografici possano essere
modellati nel caso di statistiche carenti (es. Paesi in via di Sviluppo o piccole aree); c) a strumenti
che permettono di prevedere gli sviluppi futuri di una popolazione.
In secondo luogo si vuole introdurre gli studenti ad una conoscenza critica delle principali teorie di
popolazione che tentano di spiegare il cambiamento demografico così come è avvenuto sia nei Paesi
sviluppati che nei Paesi in via di sviluppo. Gli studenti conosceranno le principali determinanti della
fecondità, mortalità, nuzialità e migratorietà.
L'attività di laboratorio e lo studio di casi accompagnerà le lezioni frontali così che gli studenti
sappiano applicare le conoscenze acquisite a problemi concreti di ricerca e sappiano orientarsi nella
letteratura demografica.
Modalità di esame:
- 2 esercitazioni pratiche da svolgere durante il corso (40% del voto finale)
- lettura di un articolo e sintesi in classe durante il corso (20% del voto finale)
- esame orale (40% del voto finale)
166
Per i frequentanti l'esame finale orale può essere sostituito dalla realizzazione di un project work,
con lettura della bibliografia essenziale sul tema, analisi di dati demografici e la stesura di un
rapporto di ricerca a commento dei risultati ottenuti.
Criteri di valutazione:
Si valuterà la capacità dello studente di:
- acquisire una conoscenza approfondita dei metodi di analisi demografica
- utilizzare criticamente tali conoscenze nell’analisi dei dati demografici
- leggere criticamente la letteratura scientifica su alcuni temi demografici.
Contenuti:
1. Richiami di demografia di base. Misure della crescita demografica ed equazione della
popolazione. Indicatori sintetici e tavole di mortalità, indicatori sintetici della fecondità,
misurazione dei movimenti migratori. Misure e metodi per l’analisi demografica per generazioni e
per contemporanei. Le ipotesi fondamentali dell’analisi demografica. Principali funzioni
matematiche interpolanti la mortalità. Il modello di Bongaarts delle variabili intermedie della
fecondità.
2. Modelli e teorie della mortalità. Le tavole tipo (approcci relazionale; metodo di Halley puro e
modificato); decomposizione delle differenze di speranza di vita. Teorie del declino della mortalità
(fasi della transizione epidemiologica e sanitaria). Prospettive sul futuro della longevità.
3. Modelli e teorie della fecondità, della nuzialità e delle variabili intermedie della fecondità.
Tempo e quantum per coorte e per periodo, la traslazione. Metodo di Hajnal; i modelli analitici
della nuzialità; gli indici If, Ig e Im di Coale; il modello di Coale e Trussel; le misure di
contraccezione e abortività. Teorie del declino della fecondità (teoria della Nuova economia della
famiglia, teoria di Easterlin, approccio socio-culturale, seconda transizione demografica, teorie di
genere, teoria delle preferenze, teoria dell’happiness).
4. Modelli e teorie delle migrazioni. Stime della migratorietà con fonti di vario livello di
completezza. Stime delle migrazioni con l’equazione della popolazione. Teorie delle migrazioni:
teoria demografica, teoria micro-economica classica, la teoria della “nuova economia della
migrazione”, teoria del mercato dualistico, teoria del sistema-mondo.
5. I modelli di popolazione. Popolazioni esponenziali, logistiche, maltusiane, stabili e stabili
generalizzate. Relazioni sintetiche fra mortalità, fecondità, migrazioni, relazioni analitiche fra
struttura e crescita demografica. Rimpiazzo delle generazioni. Teorie dell’equilibrio demografico:
da Malthus alla transizione demografica.
6. Stime indirette con dati scarsi. Mortalità adulta con il metodo dei figli orfani; mortalità infantile
con il metodo dei figli sopravviventi; fecondità con il metodo dei figli propri. Stime della dinamica
demografica comparando due rilevazioni di stato (per sesso ed età) a tempi differenziati.
7. Le previsioni demografiche. Modello a componenti di coorte. Previsioni stocastiche: le previsioni
Onu. Valutazione della bontà e degli errori delle previsioni.
Attività di apprendimento previste e metodologie di insegnamento:
- Lezioni frontali
- Esempi di casi di studio
- Discussioni in classe di articoli scientifici che gli studenti leggeranno preventivamente
- Esercitazioni in aula informatica
167
- Esercitazioni da svolgere a casa.
Eventuali indicazioni sui materiali di studio:
Oltre allo studio dei testi di riferimento, durante il corso sarà proposta la lettura critica di alcuni
articoli della letteratura demografica su temi specifici. I riferimenti saranno indicati sulla
piattaforma Moodle.
Testi di riferimento:
- Preston, S.H., P. Heuveline and M. Guillot, Demography. Measuring and Modeling
Population Processes. Oxford:: Blackwell, 2001.
- Livi Bacci M., Storia minima della popolazione del mondo. Bologna: Il Mulino, 2011.
THEORY AND METHODS OF INFERENCE
(Corso di Laurea Magistrale in Scienze Statistiche ord. 2014)
(Prof. A. Salvan)
Prerequisiti:
Insegnamenti del primo anno della Laurea Magistrale, in particolare Calcolo delle Probabilità e
Statistica Progredito.
Conoscenze e abilità da acquisire:
Il corso mira a fornire agli studenti una comprensione approfondita della teoria dell'inferenza
frequentista basata sulla verosimiglianza. Agli studenti è proposto anche un lavoro personale su
argomenti di ricerca recenti in tale ambito. Il corso fornisce inoltre un'introduzione all'inferenza
bayesiana.
Modalità di esame:
1/3 homework, 1/3 esame scritto finale, 1/3 presentazione scritta e orale di di un lavoro individuale
di rassegna basato su un paio di articoli scientifici recenti.
Criteri di valutazione:
La valutazione terrà conto di come gli argomenti presentati siano padroneggiati in applicazioni e
problemi, della capacità di valutazione critica delle metodoligie presentate, della abilità dimostrata
nell'interazione con argomenti di ricerca recenti. Gli studenti di dottorato possono sostenere l'esame
solo nell'appello fissato alla fine del corso.
Contenuti:
- Modelli statistici: variabilità di osservazione e variabilità campionaria.
- Verosimiglianza: quantità osservate e attese. Proprietà esatte e riparametrizzazioni.
- Inferenza basata sulla verosimiglianza: teoria asintotica del primo ordine e aspetti computazionali
in R.
- Introduzione all'inferenza bayesiana.
- Equazioni di stima e pseudo-verosimiglianze.
- Riduzione dei dati e del modello.
- Inferenza secondo il paradigma decisionale frequentista.
- Famiglie esponenziali: modelli e inferenza.
- Famiglie di dispersione esponenziale e modelli lineari generalizzati.
- Famiglie di gruppo: modelli e inferenza.
168
Testi di riferimento:
- Davison, Anthony Christopher, Statistical Models. New York: Cambridge University Press,
2003.
- Pace, Luigi; Salvan, Alessandra, Principles of Statistical Inference, from a Neo-Fisherian
Perspective. Singapore: World Scientific, 1997.
- Severini, Thomas A., Likelihood Methods in Statistics. Oxford: Oxford University Press,
2000.
- Severini, Thomas A., Elements of Distribution Theory. Cambridge: Cambridge University
press, 2005.
- Young, G. A.; Smith, R. L., Essentials of Statistical Inference. Cambridge: Cambridge
University Press, 2005.
TEORIA E TECNICA DELL’INDAGINE STATISTICA E DEL CAMPIONAMENTO
(Corso di Laurea in Statistica per le Tecnologie e le Scienze ord. 2014)
(Corso di Laurea in Statistica per l’Economia e l’Impresa ord. 2014)
(Matricola pari: Prof. L. Fabbris; Matricola dispari: Prof. G. Boccuzzo)
Prerequisiti:
Statistica 1, Statistica 2, Istituzioni di Calcolo delle Probabilità.
Conoscenze e abilità da acquisire:
1.Comprendere potenzialità e limiti dell’indagine statistica e, in modo particolare, di quella
campionaria.
2.Acquisire o rinforzare nozioni teoriche di base:
Sulla gestione totale dell’indagine;
Per la progettazione di questionari elettronici;
Per progettare campioni statistici.
3.Sviluppare capacità tecniche di:
Progettazione di una indagine statistica applicando i metodi di rilevazione più idonei per la ricerca
in esame;
Scelta mirata del criterio di contatto del rispondente (questionario elettronico vs. cartaceo,
autosomministrato vs. somministrato da intervistatori, distinto per canale di comunicazione);
Predisposizione di un questionario elettronico per un sistema di rilevazione computer-assisted
mirato;
Selezione di campioni probabilistici e valutazione dell’ammissibilità di campioni non probabilistici;
Determinazione della numerosità ottimale del campione;
Predisposizione di un progetto di ricerca e di un report volto a descrivere i risultati della ricerca, con
un linguaggio adeguato ai destinatari della ricerca.
4.Sviluppare sensibilità, linguaggio e spirito critico relativamente ai metodi di ri-levazione di dati
statistici nelle realtà operative tipiche di uno statistico professionale.
Modalità di esame:
L'esame è scritto e pratico.
La prova scritta consisterà in 4 quesiti a risposta aperta. Alla prova scritta sono ammessi gli studenti
che superano un test di ammissione basato su quiz multi-risposta in aula informatica.
La parte pratica consisterà:
a) Nel costruire un breve questionario elettronico per una indagine statistica assistita da computer;
b) Nel produrre, eventualmente insieme ad altri studenti (massimo: quattro), un rapporto scritto
concernente un progetto di indagine su un argomento concordato con il docente.
169
Criteri di valutazione:
Il voto d’esame si ottiene sommando:
- il voto ottenuto nella prova scritta (max 25/30),
- la valutazione ottenuta nella costruzione del questionario elettronico (max 3/30),
- la valutazione ottenuta nella prova pratica (max 4/30).
Lo studente che ottiene la massima valutazione nelle tre prove, otterrà la lode.
Le valutazioni delle prove sostenute (sia la parte scritta, sia le prove pratiche) mantengono la loro
validità per 12 mesi.
Contenuti:
1. Metodologia dell’indagine statistica
- L’indagine statistica per la ricerca sociale; il piano d’indagine.
- I metodi per la rilevazione di dati (faccia a faccia, telefonica, postale, con diari); la rilevazione di
dati assistita da computer.
- Analisi della qualità dei dati.
- Stesura di un report.
2. Metodologia del campionamento statistico
- Campionamento probabilistico e per quote
- Probabilità di selezione costanti e variabili; selezione casuale e sistematica; campioni
autoponderanti; campionamento da liste carenti o multiple.
- Campionamento casuale semplice: stimatori; errore nelle stime, proprietà di uno stimatore.
- Campionamento stratificato: piano proporzionale, piano ottimale, selezione implicita.
- Campionamento su più stadi: piano PPS, controllo della correlazione intraclasse, campionamento
di aree.
- Campionamento ruotato per indagini basate su panel.
- I costi delle indagini: costi fissi e costi variabili.
- Esempi di campionamenti complessi: Il campionamento dell'indagine sulle Forze di Lavoro
dell’Istat.
- Le indagini qualitative: focus groups, Delphi, testimoni privilegiati.
3. Metodologia del questionario elettronico.
- Metodologia del questionario: struttura del questionario mediante grafo, formulazione dei quesiti,
ordine delle domande e scelta delle modalità di risposta.
- Metodologia della costruzione di questionari per rilevazioni computer-assisted.
Attività di apprendimento previste e metodologie di insegnamento:
Il corso è composto da lezioni frontali e da lavori di gruppo.
Le esercitazioni in aula informatica (10 ore) mirano a sviluppare la capacità dello studente a
realizzare un questionario elettronico.
Eventuali indicazioni sui materiali di studio:
Dispense fornite dal docente e testi indicati di seguito.
Testi di riferimento:
- Fabbris, Luigi, L'indagine campionaria. Metodi, disegni e tecniche di campionamento.
Roma: NIS, 1989.
- Lohr, Sharon L., Sampling design and analysis. Boston: Brooks/Cole, 2010.
- ISTAT, Manuali di tecniche d’indagine. Roma: ISTAT, 1989.
170